OACap 用主动观察补足证据，并配套提出字幕事实与语义评测基准。
资讯摘要
论文提出 Observation-Adaptive Video Captioner（OACap），一种以字幕为中心的智能体：它把缺失或缺乏支撑的信息转化为有针对性的观察请求，借助时空工具获取证据，并迭代核验与修订字幕。作者报告，在固定纯文本阅读器下，OACap 在多个通用视频理解基准上均带来性能提升。论文同时提出 FSCap-Bench，用 Core-Support Factuality Score 与 Cross-Modal Semantic Round-Trip Score 诊断字幕保留的事实与语义信息。
要点速读
- OACap 将缺失信息转为观察请求，用时空工具取证并迭代修订字幕。
- 作者报告在固定纯文本阅读器下，OACap 在通用视频理解基准上性能一致提升。
- 论文提出 FSCap-Bench，其 CSFS 在 93.0–98.3% 的有效字幕对上按预期响应四类受控扰动。
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 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。