論文の概要: Beyond Watching and Searching: Benchmarking Agents for Video-centered Deep Research Reports

• arxiv url: http://arxiv.org/abs/2610.31158v1
• Date: Thu, 22 Oct 2026 12:15:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.369571
• Title: Beyond Watching and Searching: Benchmarking Agents for Video-centered Deep Research Reports
• Title（参考訳）: 監視と検索を超えて:ビデオ中心のDeep Researchレポートのためのベンチマークエージェント
• Abstract要約: 本稿では,ビデオ中心のディープリサーチレポート生成タスクを紹介する。 エージェントは研究課題を特定し、外部のマルチモーダルエビデンスを取得し、関連するビデオモーメントに関連するインタラクティブなレポートを生成する。 本稿では,この課題に対して,スキルベースのワークフローとOmniDR-Benchを提案する。
• 参考スコア（独自算出の注目度）: 24.506560163966356
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep research agents synthesize open-web evidence into long reports, but current benchmarks do not evaluate research centered on a source video. We introduce Video-Centered Deep Research Report Generation. Given a video and user request, an agent identifies research questions, retrieves external multimodal evidence, and produces an interactive report linked to relevant video moments. This task has direct practical value because it helps users locate relevant moments, verify claims, reproduce demonstrated procedures, and make informed decisions from video content. We present a skill-based workflow and OmniDR-Bench for this task. For evaluation, we propose Omni Atomic Rubric Trees (Omni-ARTs). Each tree contains three dimensions, 23 shared directions, and task-specific atomic binary criteria. The directions test audiovisual grounding, multimodal evidence use, and interactive presentation. Audited Rubric Construction (ARC) builds these trees through independent evidence collection, automated checks, behavioral calibration, and iterative human review. OmniDR-Bench contains 50 Chinese and English tasks across 19 realworld subcategories. It includes 6,414 criteria. Across 18 agent configurations, the best system scores 63.3 out of 100. Current agents still need broader content coverage, stronger causal and logical analysis across modalities, and more accurate citation support. We further analyze models, harnesses, skill configurations, video categories, and research trajectories. The code and data are released at https://github.com/marinero4972/OmniDR-Bench.
• Abstract（参考訳）: ディープリサーチエージェントはオープンWebエビデンスを長いレポートに合成するが、現在のベンチマークでは、ソースビデオを中心とした研究を評価していない。 ビデオ中心型ディープリサーチレポート生成について紹介する。 ビデオとユーザ要求が与えられた場合、エージェントは研究課題を特定し、外部のマルチモーダルエビデンスを取得し、関連するビデオモーメントに関連するインタラクティブなレポートを生成する。 このタスクは、ユーザが関連する瞬間を特定し、クレームを検証し、実証された手順を再現し、ビデオコンテンツからインフォームド決定を行うのに役立つため、直接的な実用的価値を持つ。 本稿では,この課題に対して,スキルベースのワークフローとOmniDR-Benchを提案する。 評価のために,Omni Atomic Rubric Trees (Omni-ARTs)を提案する。 各木は3つの次元、23の共有方向、およびタスク固有の原子二分基準を含む。 方向は、オーディオ視覚的グラウンド、マルチモーダルエビデンス、インタラクティブなプレゼンテーションをテストする。 Audited Rubric Construction (ARC)は、これらの木を独立したエビデンス収集、自動チェック、行動キャリブレーション、反復的人間レビューを通じて構築する。 OmniDR-Benchには、19の現実世界のサブカテゴリで50の中国語と英語のタスクが含まれている。 定員6,414名。 18のエージェント構成で、ベストシステムのスコアは100点中63.3点である。 現在のエージェントには、より広範なコンテンツカバレッジ、より強力な因果的および論理的分析、より正確な引用支援が必要である。 さらに、モデル、ハーネス、スキル構成、ビデオカテゴリ、研究トラジェクトリを分析します。 コードとデータはhttps://github.com/marinero4972/OmniDR-Benchで公開されている。

関連論文リスト

• JRDB-AVR: An Active Visual Reasoning Benchmark for Embodied Agents in Real-World Environments [51.05603466006443]
  具体化された視覚的推論のシナリオでは、質問に答えるために必要な証拠は時間、視点、相互作用するオブジェクトに分散する可能性がある。 我々は,構造化質問生成エンジンを用いて,既存の実世界のJRDBロボットデータから得られたベンチマークであるJRDB-AVRを紹介する。 また, 明示的な観測地上グラフに基づく世界モデルを維持する, 参照能動推論エージェントであるJRDB-AVR-Agentについても紹介する。
  論文  参考訳（メタデータ） (2026-09-28T12:30:11Z)
• Agentic Video Understanding: A Survey [23.341776402255448]
  本調査では,映像を主要な情報源とする映像理解エージェントについて検討する。 まず、ビデオ理解のためのエージェントループを形式化し、次に中心的な疑問に対処する。 我々は、状態空間のパラダイム、学習パラダイム、監視信号、ベンチマーク、評価プロトコルについてレビューする。
  論文  参考訳（メタデータ） (2026-09-21T02:58:10Z)
• Towards Verifiable Multimodal Deep Research: A Multi-Agent Harness for Interleaved Report Generation [74.0621258662676]
  レポート生成のためのマルチエージェントハーネスであるPtahを提案する。 Ptahは計画、研究、執筆段階を通じて、ユーザクエリからレンダリングされたWebレポートまでのライフサイクルを編成する。 検証エージェントがハーネスの受け入れ機能として機能し、ワークフロー全体を通して事実的接地、引用の忠実性、相互の整合性を強制する。
  論文  参考訳（メタデータ） (2026-05-28T12:40:34Z)
• 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)
• MAGNET: A Multi-agent Framework for Finding Audio-Visual Needles by Reasoning over Multi-Video Haystacks [67.31276358668424]
  AV-HaystacksQAという新しいタスクを導入し、クエリに応答して、異なるビデオにまたがる有能なセグメントを識別し、それらをリンクして最も有意義な回答を生成する。 AVHaystacksは、マルチビデオ検索および時間的グラウンドタスクにおけるLMMの能力を評価するために設計された3100の注釈付きQAペアからなるオーディオビジュアルベンチマークである。 提案するAVHaystackのQAタスクにおけるBLEU@4およびGPT評価スコアの基準値よりも89%と65%の相対的な改善を実現し、モデルに依存しないマルチエージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-08T06:34:29Z)

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。