VideoTreeSearch:将长视频组织为树结构,实现高效精准问答

mohitban47 · x · 2026-07-24

研究团队提出了名为 VideoTreeSearch (VTS) 的新方法,用于解决长视频基础问答(Grounded LVQA)问题。该方法将长视频自适应地组织为时间树结构,允许智能体在其中进行搜索、回溯并修正搜索路径。

实验表明,VTS 在三个主要的长视频问答基准上取得了 SOTA 成绩,且比以往的智能体方法更高效。此外,即使不使用任何人工标注的长视频数据,该模型也能实现强大的时间定位效果。