論文の概要: VideoResearchAgent: Grounded Task Synthesis and Sim-to-Real RL for Open-Web Video Research

• arxiv url: http://arxiv.org/abs/2610.04911v1
• Date: Sun, 04 Oct 2026 03:44:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 08:03:54.293113
• Title: VideoResearchAgent: Grounded Task Synthesis and Sim-to-Real RL for Open-Web Video Research
• Title（参考訳）: VideoResearchAgent:オープンWebビデオ研究のための地上タスク合成とSim-to-Real RL
• Abstract要約: 我々はオープンウェブビデオの研究を行い、エージェントは関連動画を自律的に発見し、時間的コンテンツをナビゲートし、視覚的エビデンスに答えなければならない。 これらの課題に対処するためのスケーラブルなトレーニングフレームワークであるVideoResearchAgentを紹介します。 まず,テキストのみのショートカットをフィルタリングしながら,タイムスタンプによる視覚的エビデンスからマルチホップ研究タスクを合成するための制御可能なタスクパイプラインを提案する。 第2に,34.5-64.6倍の速度で動画検索を高速化しながら,配信対象の検索と視聴のインタラクションを保存できるフィールドアラインなローカルビデオシミュレータを構築した。
• 参考スコア（独自算出の注目度）: 41.65048470694154
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing deep research agents are designed primarily for text- and image-based web sources, while video reasoning systems typically assume that relevant videos are provided in advance. We study open-web video research, where an agent must autonomously discover relevant videos, navigate their temporal content, and ground answers in visual evidence. Training such agents at scale is challenging as live video interaction is slow and unreliable, whereas fixed local simulation can induce retrieval-specific shortcuts that fail to transfer to the open web. We introduce VideoResearchAgent, a scalable training framework to address these challenges. First, we introduce controllable task synthesis pipeline to synthesize multi-hop research tasks from timestamped visual evidence while filtering text-only shortcuts. Second, we build a field-aligned local video simulator that preserves deployment-facing search and watch interactions while accelerating video search by a factor of 34.5-64.6. Third, we introduce Retrieval-Domain-Randomized GRPO (RDR-GRPO), which diversifies candidate rankings, distractors, metadata, and result structure during training to reduce overfitting to simulated retrieval. On Video-BrowseComp, the VideoResearchAgent trained using Qwen3.5-4B achieves 40.48% accuracy, comparable to Gemini-3-Flash-Preview, while reducing cumulative API-token consumption by 74.9% relative to the untrained model. Together, these results establish an accurate and efficient training recipe for open-web video research.
• Abstract（参考訳）: 既存のディープリサーチエージェントは主にテキストおよび画像ベースのWebソース用に設計されているが、ビデオ推論システムは通常、関連ビデオが事前に提供されていると仮定する。 我々はオープンウェブビデオの研究を行い、エージェントは関連動画を自律的に発見し、時間的コンテンツをナビゲートし、視覚的エビデンスに答えなければならない。 このようなエージェントを大規模に訓練することは、ライブビデオのインタラクションが遅くて信頼性の低いため難しいが、固定されたローカルシミュレーションは、オープンウェブに転送できない検索固有のショートカットを誘導する。 これらの課題に対処するためのスケーラブルなトレーニングフレームワークであるVideoResearchAgentを紹介します。 まず,テキストのみのショートカットをフィルタリングしながら,タイムスタンプによる視覚的エビデンスからマルチホップ研究タスクを合成するために,制御可能なタスク合成パイプラインを導入する。 第2に,34.5-64.6倍の速度で動画検索を高速化しながら,配信対象の検索と視聴のインタラクションを保存できるフィールドアラインなローカルビデオシミュレータを構築した。 第3に,Retrieval-Domain-Randomized GRPO (RDR-GRPO)を導入し,トレーニング中の候補ランキング,トラクタ,メタデータ,結果構造を多様化し,オーバーフィッティングを減らし,シミュレーション検索を行う。 Video-BrowseCompでは、Qwen3.5-4Bを用いてトレーニングされたVideoResearchAgentは、Gemini-3-Flash-Previewに匹敵する40.48%の精度を達成している。 これらの結果により,オープンウェブビデオ研究の正確かつ効率的なトレーニングレシピが確立された。

関連論文リスト

• Thinking Beyond Videos: Unifying Video Reasoning and Deep Research for Open-World Video Agents [50.87605650923757]
  我々は,ビデオトリミング,マルチモーダル検索,Webページブラウジングを協調する統合ビデオディープリサーチフレームワークであるVideoRoverを紹介する。 ビデオ検索のペアが与えられたら、VideoRoverはそれぞれのツールの結果を使って次のアクションを選択する。 この機能を開発するために,26KのSFTトラジェクトリと3Kの挑戦的RLインスタンスを生成する自動データキュレーションパイプラインを構築した。
  論文  参考訳（メタデータ） (2026-08-24T14:42:23Z)
• ViLL-E: Video LLM Embeddings for Retrieval [55.66444095205989]
  ViLL-E (Video-LLM-Embed) は、新しい埋め込み生成機構を備えた統合ビデオLLMアーキテクチャである。 我々は、生成学習とコントラスト学習を組み合わせた3段階の学習手法を用いて、このモデルを訓練する。 我々のモデルは、時間的ローカライゼーション(他のビデオLLMよりも7%)とビデオ検索(デュアルエンコーダモデルより最大4%)を大幅に改善する。
  論文  参考訳（メタデータ） (2026-04-13T23:54:58Z)
• Watching, Reasoning, and Searching: A Video Deep Research Benchmark on Open Web for Agentic Video Reasoning [32.71093573332936]
  VideoDRは、オープンウェブ環境でビデオエージェントを研究するための最初のビデオディープリサーチベンチマークである。 VideoDRは、ビデオ条件付きオープンドメインのビデオ質問応答、クロスフレームの視覚的アンカー抽出、インタラクティブなWeb検索、共同ビデオとWebのエビデンスに対するマルチホップ推論などに焦点を当てている。
  論文  参考訳（メタデータ） (2026-01-11T15:07:37Z)
• Video-BrowseComp: Benchmarking Agentic Video Research on Open Web [64.53060049124961]
  Video-BrowseCompは、オープンウェブのエージェントによるビデオ推論に適した210の質問からなるベンチマークである。 これは時間的視覚的証拠に必須に依存しており、回答はテキスト検索のみでは導き出せないことを保証している。 初のオープンWebビデオ調査ベンチマークとして、Video-BrowseCompは、受動的知覚を越えて、プロアクティブなビデオ推論へと分野を前進させた。
  論文  参考訳（メタデータ） (2025-12-28T19:08:27Z)
• TimeSearch-R: Adaptive Temporal Search for Long-Form Video Understanding via Self-Verification Reinforcement Learning [30.895558843927862]
  時間探索は、与えられたクエリに基づいて数万のフレームから最小限のフレームを識別することを目的としている。 TimeSearch-Rは、時間検索をインターリーブされたテキストビデオ思考として再構成する。 検索ビデオクリップを、強化学習による推論プロセスにシームレスに統合する。
  論文  参考訳（メタデータ） (2025-11-07T18:58:25Z)
• VideoExplorer: Think With Videos For Agentic Long-Video Understanding [117.68219930263153]
  ロングビデオ理解はコンピュータビジョンにおいて難しい問題である。 ビデオによる思考の原則に基づくフレームワークであるVideoExplorerを提案する。 静的なコンテキストを推論する代わりに、VideoExplorerは、サブクエストを反復的に定式化し、関連するモーメントを特定し、タスク指向で時間的にスケーラブルなビデオ理解を実行する。
  論文  参考訳（メタデータ） (2025-06-12T15:39:10Z)

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。