論文の概要: VideoEvolve: Evolving Agent Harnesses for Video Temporal Grounding
- arxiv url: http://arxiv.org/abs/2610.01766v1
- Date: Thu, 01 Oct 2026 14:24:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:24.188861
- Title: VideoEvolve: Evolving Agent Harnesses for Video Temporal Grounding
- Title（参考訳）: VideoEvolve: テンポラルグラウンドのためのエージェントハーネスの進化
- Abstract要約: ビデオ時間グラウンドは、自然言語クエリからビデオ内のイベントをローカライズすることを目的としている。
フリーズされたビデオ言語モデルを中心に構築されたエージェントに対して、このハーネスは、クエリが時間的予測をどのようにガイドするか、そしてそれらの予測がどのように洗練されるかを決定する。
ビデオ時間グラウンドのためのエージェントハーネスを自動的に進化させるフレームワークであるVideoEvolveを紹介する。
- 参考スコア（独自算出の注目度）: 7.097597769125374
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Video temporal grounding aims to localize events in videos from natural-language queries. For agents built around frozen video-language models, the harness determines how queries guide temporal predictions and how those predictions are refined. Manually refining these harnesses requires diagnosing grounding failures and coordinating changes to both agent workflows and instructions. We introduce VideoEvolve, a framework that automatically evolves agent harnesses for video temporal grounding. VideoEvolve uses a Cloze-Structured Harness Representation that preserves stage interfaces while leaving agent workflows and instructions open to evolution. Branch-Guided Harness Evolution preserves promising code branches for continued refinement, using execution feedback to guide local edits and validation to determine which improvements are carried forward. Experiments demonstrate improved grounding performance across multiple benchmarks. Component analyses identify instruction refinement as a consistent source of gains, while the benefits of evolved code vary across evaluation settings. Together, these results support automated harness evolution as an effective approach to improving video temporal grounding. Code is available at https://github.com/bingjunluo/VideoEvolve .
- Abstract（参考訳）: ビデオ時間グラウンドは、自然言語クエリからビデオ内のイベントをローカライズすることを目的としている。
フリーズされたビデオ言語モデルを中心に構築されたエージェントに対して、このハーネスは、クエリが時間的予測をどのようにガイドするか、そしてそれらの予測がどのように洗練されるかを決定する。
これらのハーネスを手作業で修正するには、基礎的な障害の診断と、エージェントワークフローとインストラクションの両方の変更の調整が必要である。
ビデオ時間グラウンドのためのエージェントハーネスを自動的に進化させるフレームワークであるVideoEvolveを紹介する。
VideoEvolveはCloze-Structured Harness Representationを使用している。
Branch-Guided Harness Evolutionは、実行フィードバックを使用してローカル編集とバリデーションをガイドし、どの改善が進むかを決定することで、改善を続けるための有望なコードブランチを保存する。
実験では、複数のベンチマークでグラウンド性能が改善された。
コンポーネント分析では、命令の洗練を一貫したゲインの源としていますが、進化したコードの利点は評価設定によって異なります。
これらの結果は、ビデオの時間的グラウンド化を改善する効果的なアプローチとして、自動ハーネス進化をサポートする。
コードはhttps://github.com/bingjunluo/VideoEvolveで入手できる。
関連論文リスト
- CoEvoWhen: Policy-Tool Coevolution for Ultra-Long Video Temporal Grounding [14.694699117708725]
本稿では、VLMから高レベルなポリシーと実行可能なメディアツールを進化させるポリシーツールの共進化フレームワークを提案する。
進化中、外部スキル更新器は、長時間ビデオの時間的接地において伝達可能なタスク体験を蒸留する。
進化した技術を備えたVLMは、進化した政策の指導の下で、自律的にツールを編成する。
論文 参考訳（メタデータ） (2026-09-30T16:14:14Z) - Video-RSI: Recursive Self-Improvement of Video Understanding Agents via Harness Evolution [7.75361567482227]
ビデオ理解エージェントは、実行可能なハーネスを介して証拠を取得する。
実行トレースは、現在のハーネスによって取得された証拠のみを含む。
本稿では,ビデオ理解エージェントが自身の言語モデルを用いてハーネスを改良する自己改善フレームワークであるVideo-RSIを紹介する。
論文 参考訳（メタデータ） (2026-09-29T16:24:02Z) - HarnessEvolve: Learning from Reference Trajectories for Reliable Agent Self-Evolution [11.431479238875712]
我々は、信頼できるエージェントの自己進化を実現するために、参照軌道から学習する自己進化フレームワークであるHarnessEvolveを紹介する。
私たちは、さまざまなモデルとエージェントフレームワークを使用して、オープンドメインとエンタープライズシナリオにまたがるいくつかのベンチマークで広範な実験を行います。
結果は、HarnessEvolveがすべてのベンチマークと設定で、最先端のベースラインを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2026-09-01T07:31:18Z) - DemoEvolve: Overcoming Sparse Feedback in Agentic Harness Evolution with Demonstrations [12.048713464721665]
DemoEvolveは、進化を活用するためのデモブートストラップ付きのアプローチである。
我々はこのパラダイムを標本効率の速い適応の一形態として研究する。
DemoEvolveは、より効果的で監査可能なハーネス編集を生成する。
論文 参考訳（メタデータ） (2026-05-23T12:10:52Z) - Compositional Video Generation via Inference-Time Guidance [69.53614395025632]
テキストからビデオへの拡散モデルは、しばしば構成的理解を必要とするプロンプトで失敗する。
凍結したテキスト・ビデオモデルにおける合成忠実度を改善するための推定時間誘導法であるtextbfCVG を提案する。
論文 参考訳（メタデータ） (2026-05-14T15:50:25Z) - EvoGround: Self-Evolving Video Agents for Video Temporal Grounding [37.5259637328671]
ビデオ時間グラウンド(VTG)は、未トリミングされたビデオと自然言語クエリを入力として取り、クエリに最もよくマッチする時間モーメントをローカライズする。
EvoGroundは、2つの結合した自己進化エージェント、提案者、解決者からなるフレームワークで、人間のラベル付きデータなしで生のビデオから時間的グラウンドを学習する。
論文 参考訳（メタデータ） (2026-05-13T17:25:51Z) - SAMA: Factorized Semantic Anchoring and Motion Alignment for Instruction-Guided Video Editing [76.349958946335]
本稿では,映像編集をセマンティックアンカーとモーションモデリングに分解するフレームワークであるSAMA(factorized Semantic Anchoring and Motion Alignment)を提案する。
まずセマンティックアンカリング(Semantic Anchoring)を導入し、スパースアンカフレームでのセマンティックトークンとビデオ潜在者を共同で予測することで、信頼性の高い視覚アンカを確立する。
第2に、モーションアライメントは同じバックボーンをモーション中心のビデオ復元のプリテキストタスクで事前トレーニングする。
論文 参考訳（メタデータ） (2026-03-19T17:59:51Z) - On the Consistency of Video Large Language Models in Temporal Comprehension [57.985769348320616]
ビデオ大言語モデル(Video-LLMs)は、時間的に言語クエリを解析し、ビデオモーメントを検索することができる。
予測整合性 - 時間的根拠の堅牢性と信頼性を示す重要な指標である。
論文 参考訳（メタデータ） (2024-11-20T00:47:17Z) - InstructVid2Vid: Controllable Video Editing with Natural Language Instructions [97.17047888215284]
InstructVid2Vidは、人間の言語命令でガイドされたビデオ編集のためのエンドツーエンドの拡散ベースの方法論である。
我々のアプローチは、自然言語ディレクティブによって案内される映像操作を強化し、サンプルごとの微調整や逆変換の必要性を排除します。
論文 参考訳（メタデータ） (2023-05-21T03:28:13Z)
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。