論文の概要: SAVE: Less is More in Agentic Video Reasoning
- arxiv url: http://arxiv.org/abs/2611.15079v1
- Date: Wed, 11 Nov 2026 05:55:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.059369
- Title: SAVE: Less is More in Agentic Video Reasoning
- Title(参考訳): SAVE: エージェントビデオの推論はもっと少ない
- Abstract要約: エージェントビデオ推論フレームワークは、これまで収集されたクエリとエビデンスに基づいて、何を見るべきかを反復的に探索する。
既存の手法は通常、異なるバックボーン、前処理パイプライン、計算予算で評価される。
我々は,2つの強力な現代のバックボーンにまたがる多種多様なエージェントビデオ推論システムについて,制御された評価を行う。
- 参考スコア(独自算出の注目度): 11.281184084528732
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Agentic video-reasoning frameworks iteratively explore a video, choosing what to observe based on the query and evidence gathered so far. Existing methods are typically evaluated with different backbones, preprocessing pipelines, and computational budgets, making it difficult to determine which components actually drive performance, how much they cost, and whether agentic inference is preferable to native video reasoning in the first place. We conduct a controlled evaluation of a diverse set of recent agentic video-reasoning systems across two strong contemporary backbones, with explicit token and monetary-cost accounting. Across Gemini 3 Flash and Gemma 4, most existing agentic frameworks fail to consistently improve over native video inference and often increase computational cost. We investigate two primary questions: (1) How much agentic framework complexity is necessary for effective video reasoning? (2) When, if at all, is agentic video reasoning preferable to just using the backbone directly? To answer the first question, we introduce a deliberately minimal Active Exploration Baseline and show that it remains competitive with substantially more elaborate agents. We then propose targeted extensions to this baseline, yielding SAVE (Simple Agentic Video Explorer). SAVE outperforms all evaluated prior agentic methods in five of six backbone-benchmark settings. Turning to the second question, our results indicate that the advantage of agentic exploration grows when dense processing would otherwise represent answer-relevant events too sparsely, particularly for long videos and temporally concentrated evidence. Overall, our results suggest that agentic video reasoning should favor simple frameworks over increasingly elaborate pipelines and focus primarily on long-form video, where selective evidence acquisition offers the clearest advantage over native inference.
- Abstract(参考訳): エージェントビデオ推論フレームワークは、これまで収集されたクエリとエビデンスに基づいて、何を見るべきかを反復的に探索する。
既存の手法は通常、異なるバックボーン、前処理パイプライン、計算予算で評価され、どのコンポーネントが実際にパフォーマンスを駆動するか、どのくらいのコスト、エージェント推論がそもそもネイティブなビデオ推論よりも好ましいかどうかを判断するのは困難である。
我々は,近年のエージェント・ビデオ・レソナリング・システムを2つの強力な現代的なバックボーンにまたがって,明示的なトークンと金銭的コストの会計によって制御した評価を行う。
Gemini 3 Flash と Gemma 4 全体で、既存のエージェントフレームワークの多くは、ネイティブなビデオ推論よりも一貫して改善せず、しばしば計算コストを増大させる。
1)効果的なビデオ推論にはどの程度のエージェント的フレームワークの複雑さが必要か?
2) バックボーンを直接使用するよりも,エージェントビデオによる推論が望ましいのはなぜか?
最初の質問に答えるために、意図的に最小限のActive Exploration Baselineを導入し、より精巧なエージェントと競合し続けることを示す。
次に、このベースラインに対するターゲット拡張を提案し、SAVE(Simple Agentic Video Explorer)を出力する。
SAVEは6つのバックボーンベンチマーク設定のうち5つで、評価済みのエージェントメソッドよりも優れています。
第2の質問に目を向けると、エージェント探索の利点は、高密度な処理が解答関連事象(特に長時間のビデオや時間的集中した証拠)を表現しすぎると増大することを示している。
全体としては、エージェントによるビデオ推論は、より精巧なパイプラインよりも単純なフレームワークを優先し、主に長めのビデオに焦点をあてるべきである。
関連論文リスト
- 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) - VideoScout: Learning Agentic Active Exploration with Adaptive Reasoning Pacing for Long Video Understanding [61.00809248898572]
ロングビデオ理解(英: Long video understanding)とは、エージェントが時間軸に沿って回転してビデオを読み取る問題である。
適応推論によるSEAパラダイムをインスタンス化するマルチターン推論エージェントである textbfVideoScout を提案する。
長いビデオ理解と推論のベンチマーク実験により、我々の7Bモデルは、既存の訓練された7Bエージェントモデルと比較して、強い性能を発揮することが示された。
論文 参考訳(メタデータ) (2026-09-14T14:04:03Z) - VideoSearcher: Empowering Video Deep Research with Multi-Tool Agentic Reasoning via Reinforcement Learning [55.2367119060441]
ビデオ理解は、クローズドコンテクストの知覚を超えて、オープンワールドのエビデンス探索へと移行している。
既存のマルチモーダル検索エージェントは主に静的画像をターゲットにしており、現在のVDRベンチマークはテキスト中心の検索に依存している。
本稿では,VDRのマルチツール推論による視覚言語モデルを実現するクローズドループエージェントフレームワークであるVideoSearcherを提案する。
論文 参考訳(メタデータ) (2026-07-03T03:50:09Z) - Native Active Perception as Reasoning for Omni-Modal Understanding [96.19360756363501]
我々は,OmniAgentをPOMDPに基づく反復的観察-判断サイクルとして定式化するために提案する。
OmniAgentはオンデマンドアクションを実行し、音声視覚キューを永続的なテキストメモリに選択的に蒸留する。
我々は,OmniAgentがオープンソースモデル間の最先端性能を実現することを示す。
論文 参考訳(メタデータ) (2026-06-17T17:59:56Z) - VideoSEAL: Mitigating Evidence Misalignment in Agentic Long Video Understanding by Decoupling Answer Authority [10.961731621875918]
長いビデオの質問応答には、非常に冗長なコンテンツの中で、スパースでタイムインスペクションされた視覚的証拠を見つける必要がある。
既存のLVUエージェントが「エビデンスミスアライメント」を提示できることを示す。
本稿では,画素レベルの検証において,解答権限とゲートの最終的な解答とを分離した分離型プランナー・フレームワークを提案する。
論文 参考訳(メタデータ) (2026-05-12T10:37:49Z) - Think, Then Verify: A Hypothesis-Verification Multi-Agent Framework for Long Video Understanding [25.82963105515627]
VideoHV-Agentは、構造化仮説検証プロセスとしてビデオ質問応答を再構成するフレームワークである。
ビデオHV-Agentは,解釈性の向上,論理的音質の向上,計算コストの低減を実現し,最先端の精度を実現する。
論文 参考訳(メタデータ) (2026-03-05T09:16:07Z) - LongVideo-R1: Smart Navigation for Low-cost Long Video Understanding [106.23494088118571]
LongVideo-R1は、効率的なビデオコンテキストナビゲーションのためのマルチモーダル大言語モデル(MLLM)エージェントである。
これは、その後の処理において最も情報に富むビデオクリップを推測する。
LongVideo-R1エージェントは、2段階のパラダイムを通じてQwen-3-8Bモデルに微調整される。
論文 参考訳(メタデータ) (2026-02-24T13:49:47Z) - 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) - 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)
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。