Reviso：视频字幕生成中的优先级引导主动观察框架

论文提出按重要性分配注意力的视频字幕智能体框架 Reviso。

资讯摘要

论文提出 Reviso，一种面向视频字幕生成的智能体框架，主张并非所有视觉证据都应获得同等关注。它从低帧率全局预览构建 Context–Focus–Points 分层观察计划，按计划选择性回看片段并调用工具细查，再整合全局与局部信息生成字幕。作者用验证引导流程构建训练轨迹，并以 GRPO 训练，加入关键事实奖励、计划对齐奖励与低效工具调用惩罚。论文报告在四个视频字幕基准上优于所评估的开源基线，生成字幕也更能支持下游视频问答。

要点速读

1. Reviso 从低帧率全局预览构建 Context–Focus–Points 分层观察计划，指导选择性回看与工具调用。
2. 训练采用验证引导流程构建轨迹，并使用 GRPO，含关键事实奖励、Plan Alignment Reward 与 Unproductive Tool-Call Penalty。
3. 论文报告在四个视频字幕基准上优于所评估的开源基线，且字幕对下游视频问答更有帮助。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:26（北京时间）。