論文の概要: ReTool-Video: Recursive Tool-Using Video Agents with Meta-Augmented Tool Grounding

• arxiv url: http://arxiv.org/abs/2605.13228v1
• Date: Wed, 13 May 2026 09:19:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.938729
• Title: ReTool-Video: Recursive Tool-Using Video Agents with Meta-Augmented Tool Grounding
• Title（参考訳）: ReTool-Video: メタ強化ツールによるビデオエージェントの再帰ツール
• Authors: Xiao Liu, Nayu Liu, Junnan Zhu, Ruirui Chen, Guohui Xiang, Changjian Wang, Kaiwen Wei, Rongzhen Li, Jiang Zhong,
• Abstract要約: ビデオ理解には、時間的推論、クロスモーダル理解、複雑な質問応答のためのツール強化ビデオエージェントの探索、動機付け、積極的なエビデンスが必要である。 既存のビデオエージェントは、検索、メモリ、フレーム検査、検証ツールでビデオ推論を改善したが、それでも2つの制限に直面している。 本稿では,これらの課題を2つの相補的な設計で解決する。
• 参考スコア（独自算出の注目度）: 30.50286834537385
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video understanding requires active evidence seeking, motivating tool-augmented video agents for temporal reasoning, cross-modal understanding, and complex question answering. Existing video agents have improved video reasoning with retrieval, memory, frame inspection, and verifier tools, but they still face two limitations: (1) a coarse tool space that lacks fine-grained operations for compositional reasoning; and (2) a flat action space that forces high-level video intents into primitive executable tool calls. In this paper, we address these challenges with two complementary designs. First, we construct a MetaAug-Video Tool Library (MVTL), an extensible tool library with 134 registered tools, including 26 base tools for general multimodal signal processing and 108 meta tools for filtering, aggregation, reranking, formatting, and other intermediate-result operations. MVTL supports dual-level access to both structured video information and raw modal evidence, enabling diverse video reasoning scenarios. Second, we propose ReTool-Video, a recursive tool-using method that grounds high-level video intents into executable tool chains. In ReTool-Video, matched actions are executed directly, while unmatched intents are delegated to a resolver for parameter repair, tool substitution, or decomposition. This allows abstract actions such as temporal merging, cross-modal verification, or repeated-event aggregation to be progressively translated into concrete multimodal operations at runtime. Experiments on MVBench, MLVU, and Video-MME w/o sub. show that ReTool-Video consistently outperforms strong baselines. Further analysis demonstrates that recursive grounding and fine-grained meta tools improve the stability and effectiveness of complex video understanding.
• Abstract（参考訳）: ビデオ理解には、時間的推論、クロスモーダル理解、複雑な質問応答のためのツール強化ビデオエージェントの探索、動機付け、積極的なエビデンスが必要である。 既存のビデオエージェントは、検索、メモリ、フレーム検査、検証ツールによるビデオ推論を改善しているが、(1)合成推論の細かい操作を欠いた粗いツールスペース、(2)高レベルの映像意図を原始的なツールコールに強制するフラットアクションスペースの2つの制限に直面している。 本稿では,これらの課題を2つの相補的な設計で解決する。 まず,MetaAug-Video Tool Library (MVTL) を構築した。MetaAug-Video Tool Library (MVTL) は,汎用マルチモーダル信号処理のための26のベースツールと,フィルタリング,アグリゲーション,リグレード,フォーマッティング,その他の中間再帰操作のための108のメタツールを含む,134の登録ツールを備えた拡張可能なツールライブラリである。 MVTLは、構造化されたビデオ情報と生のモーダルエビデンスの両方へのデュアルレベルアクセスをサポートし、多様なビデオ推論シナリオを可能にする。 第2にReTool-Videoを提案する。ReTool-Videoは,高レベルの映像意図を実行可能なツールチェーンに基盤付ける再帰的ツール利用手法である。 ReTool-Videoでは、一致したアクションは直接実行されるが、未一致のインテントはパラメータの修復、ツール置換、あるいは分解のためにリゾルバに委譲される。 これにより、時間的マージやクロスモーダル検証、繰り返しイベントアグリゲーションといった抽象的なアクションを、実行時に具体的なマルチモーダル操作に段階的に変換することができる。 MVBench, MLVU, Video-MME w/osubの実験 ReTool-Videoは、一貫して強力なベースラインを上回っている。 さらなる分析により、再帰的接地と微細なメタツールは、複雑なビデオ理解の安定性と有効性を向上させることが示されている。

関連論文リスト

• VideoStir: Understanding Long Videos via Spatio-Temporally Structured and Intent-Aware RAG [33.938909878793815]
  VideoStirは構造化されマルチモーダルなインテント対応長ビデオRAGフレームワークである。 ビデオは、クリップレベルでテンポラルグラフとして構成され、エビデンスを集約するマルチホップ検索を実行する。 また、MLLMが支援するインテント関連スコアラを導入し、クエリの推論インテントとのアライメントに基づいてフレームを取得する。
  論文  参考訳（メタデータ） (2026-04-07T04:26:59Z)
• VideoSeek: Long-Horizon Video Agent with Tool-Guided Seeking [49.09710846673772]
  VideoSeekは、全ビデオを徹底的に解析するのではなく、積極的に答えクリティカルな証拠を求めるビデオエージェントだ。 VideoSeekはシンク・アク・オブザーバ・ループで動作し、多彩なビデオ観察を収集するためのよく設計されたツールキットを備えている。
  論文  参考訳（メタデータ） (2026-03-20T17:58:47Z)
• Tool-Augmented Spatiotemporal Reasoning for Streamlining Video Question Answering Task [8.444156994500881]
  VideoQAタスクは、ファンデーションモデルが動的現実のシナリオを効果的に知覚し、理解し、理性的に評価できるかどうかを評価するための重要な遊び場として機能する。 マルチモーダル大言語モデル(MLLM)に包括的ビデオツールキットを装備し,空間推論能力を向上する。 本稿では,時間的および空間的ツールを戦略的にスケジュールし,ビデオの重要領域を段階的にローカライズするStemporal Reasoning Framework(STAR)を提案する。
  論文  参考訳（メタデータ） (2025-12-11T07:17:57Z)
• COLT: Enhancing Video Large Language Models with Continual Tool Usage [9.709506072510512]
  連続するツールストリームにおけるツール使用能力を自動取得するContinuaL Tool usage(COLT)を提案する。 我々のCOLTは学習可能なツールコードブックをツール固有のメモリシステムとして組み込んでいる。 ビデオLLMのツール使用可能性を解き放つために,ビデオ中心のツール利用指導データセットであるVideoToolBenchを収集する。
  論文  参考訳（メタデータ） (2025-09-23T07:49:30Z)
• CAViAR: Critic-Augmented Video Agentic Reasoning [90.48729440775223]
  より複雑なビデオ推論を行うために、知覚能力を利用することができますか? 我々は,ビデオモジュールをサブエージェントやツールとして利用できる大規模言語モデルエージェントを開発した。 我々は,我々のエージェントと批評家の組み合わせが,データセット上で高い性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-09-09T17:59:39Z)
• Deep Video Discovery: Agentic Search with Tool Use for Long-form Video Understanding [60.88843818016968]
  長時間のビデオ理解は時間空間の複雑さと質問応答の難しさによって大きな課題を呈する。 セグメント化されたビデオクリップ上でのエージェント検索戦略を活用するために,Deep Video Discovery (DVD) エージェントを提案する。 当社のDVDエージェントは,LVBenchデータセット上での最先端性能を実現し,74.2%の精度を実現した。
  論文  参考訳（メタデータ） (2025-05-23T16:37:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。