論文の概要: VAMR: Multi-Question Agentic Reasoning for Efficient Long-Form Video Understanding

• arxiv url: http://arxiv.org/abs/2610.11171v1
• Date: Thu, 08 Oct 2026 03:26:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.766522
• Title: VAMR: Multi-Question Agentic Reasoning for Efficient Long-Form Video Understanding
• Title（参考訳）: VAMR:マルチクエストエージェント推論によるビデオ理解の効率化
• Abstract要約: textbfVAMR (textbfVideo textbfAgent for textbfMulti-Question textbfReasoning) を導入する。 各ラウンドでは、永続的なポリシーモデルが1つ以上の未解決の質問に対してツールを実行し、十分な証拠を持った質問に対する回答を提出することができる。
• 参考スコア（独自算出の注目度）: 25.72778876495246
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-form video understanding often involves multiple questions about different aspects of the same recording. Yet existing video agents typically process each question through an isolated tool-use trajectory. This repeatedly restarts video exploration and memory construction, missing opportunities to acquire evidence jointly and progressively build a shared understanding that supports the complete question set. We introduce \textbf{VAMR} (\textbf{V}ideo \textbf{A}gent for \textbf{M}ulti-Question \textbf{R}easoning), which coordinates all questions about a video through one shared tool-use trajectory. At each round, a persistent policy model can invoke tools for one or more unresolved questions and submit answers for questions with sufficient evidence. Question-conditioned visual perception retrieves fine-grained clues for several questions in one call, while layered multi-question memory integrates reusable context into a shared video story and preserves separate evidence for individual questions. After supervised fine-tuning initializes this interaction protocol, we propose question-horizon policy optimization (\qhpo) to optimize shared trajectories in which questions progress and finish at different rounds. Specifically, a question-level critic estimates the value of each active question, while round alignment maps each question advantage to the rounds that directly serve it before the aligned advantages are aggregated to optimize the shared actor. Across LVBench, Video-Holmes, and LongVideoBench, VAMR achieves the highest accuracy overall and the fewest reasoning rounds among iterative methods. On LVBench, it reaches 62.1\% accuracy, exceeding VideoARM by \textbf{4.3} points while reducing reasoning rounds and processed frames by \textbf{85.9\%} and \textbf{61.4\%}.
• Abstract（参考訳）: 長めのビデオ理解には、同じ録音の異なる側面に関する複数の疑問が伴うことが多い。 しかし、既存のビデオエージェントは、通常、それぞれの質問を独立したツール使用軌跡で処理する。 これにより、ビデオ探索とメモリ構築を繰り返し再起動し、証拠を共同で取得する機会が無くなり、完全な質問セットをサポートする共有理解が徐々に構築される。 本稿では、ビデオに関するすべての質問を1つの共有ツール使用トラジェクトリを通じてコーディネートする、 \textbf{VAMR} (\textbf{V}ideo \textbf{A}gent for \textbf{M}ulti-Question \textbf{R}easoning)を紹介する。 各ラウンドでは、永続的なポリシーモデルが1つ以上の未解決の質問に対してツールを実行し、十分な証拠を持った質問に対する回答を提出することができる。 階層化されたマルチクエストメモリは、再利用可能なコンテキストを共有ビデオストーリーに統合し、個別の質問に対する別々の証拠を保存する。 教師付き微調整によってこのインタラクションプロトコルが初期化されると、質問が進行し、異なるラウンドで終了する共有トラジェクトリを最適化するために、質問-水平ポリシー最適化(\qhpo)を提案する。 特に、質問レベル批評家は、各アクティブな質問の価値を推定する一方、ラウンドアライメントは、アライメントされたアドバンテージが集約されて共有アクターを最適化する前に、各質問を直接提供するラウンドに有利にマップする。 LVBench、Video-Holmes、LongVideoBench全体で、VAMRは反復法の中で最も精度が高く、最も少ない推論ラウンドを達成している。 LVBench では 62.1\% に達し、ビデオARM を \textbf{4.3} で上回り、推論ラウンドと処理フレームを \textbf{85.9\%} と \textbf{61.4\%} で削減する。

関連論文リスト

• VideoTapestry: Query-Adaptive Memory Refinement for Multi-Agent Long-Video Understanding [98.11639588256874]
  VideoTapestryはトレーニング不要のマルチエージェントフレームワークで、粗大でクエリ駆動の洗練を通じて階層的なビデオメモリに適応する。 VideoTapestryの精度は17.2%、14.9%、9.8%、Benchは7.0%、LongVideoBench(Long Ego)、Video-MME(Long Ego)、Video-MME(Long Ego)である。
  論文  参考訳（メタデータ） (2026-10-05T16:44:25Z)
• Sprout: Building Dynamic Memory While Reasoning for Agentic Video Understanding [20.212135389736456]
  長いビデオ理解は、マルチモーダルな大言語モデルのコンテキスト制限を克服するために、ビデオメモリに依存している。 既存のメソッドはビルドテーマ推論パイプラインに従っている: メモリはビデオ全体に対してオフラインで構築され、静的ソースとして推論される。 Sproutは、推論中にメモリを構築するエージェントフレームワークであり、質問に答えると詳細なノードが芽生えるテンポラリなツリーである。
  論文  参考訳（メタデータ） (2026-09-28T16:01:59Z)
• QCA: Query- and Content-Aware Keyframe Selection for Long Video Understanding [78.36929439152566]
  本稿では,長いビデオからコンパクトだが情報に富んだフレームを選択可能なクエリ・アンド・コンテント・アウェア(QCA)選択フレームワークを提案する。 QCAは最もクエリ関連性の高いフレームにアンカーし、クエリのセマンティックな関連性を維持しながら、多様性を最大化するために追加のフレームを反復的に組み込む。 我々の方法は追加のトレーニングを必要とせず、既存のVideo-LLMにシームレスに統合できる。
  論文  参考訳（メタデータ） (2026-07-01T14:19:24Z)
• Hallucination Mitigation Prompts Long-term Video Understanding [36.26790392889717]
  本稿では,既存のMLLMをベースとした包括的幻覚緩和パイプラインを構築する。 私たちは、CLIPスコアを使用して、フレームサンプリングプロセスを質問でガイドし、質問に関連する重要なフレームを選択する。 回答生成段階では、チェーン・オブ・コンテクストとイン・コンテクスト・ラーニングの手法を用いて、回答の生成を明示的に制御する。
  論文  参考訳（メタデータ） (2024-06-17T08:44:03Z)
• LvBench: A Benchmark for Long-form Video Understanding with Versatile Multi-modal Question Answering [49.68215536040896]
  LvBenchは多目的なマルチモーダル質問応答のための長文ビデオ理解ベンチマークである。 ビデオは70秒から4時間で、シングルシーン、マルチシーン、フルシーンのコンテキストをカバーしています。 本データセットは、慎重に選択された100本の映画から得られた20,061組の質問応答対からなる。
  論文  参考訳（メタデータ） (2023-12-08T03:33:38Z)
• Single-Stage Visual Query Localization in Egocentric Videos [79.71065005161566]
  エンドツーエンドのトレーニングが可能なシングルステージのVQLフレームワークを提案する。 我々は,クエリとビデオフレーム間の問合せ対応を考慮し,問合せとビデオの関係を確立する。 実験により,提案手法の精度は従来のVQL手法よりも20%向上し,推論速度は10倍向上した。
  論文  参考訳（メタデータ） (2023-06-15T17:57:28Z)
• Locate before Answering: Answer Guided Question Localization for Video Question Answering [70.38700123685143]
  LocAnsは質問ロケータと回答予測器をエンドツーエンドモデルに統合する。 最新の2つのビデオQAデータセットで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-10-05T08:19:16Z)

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。