论文用智能体管线从原始视频合成 10 万条多模态指令数据
资讯摘要
论文提出 VidUEU-Agent，一个从原始视频自动合成多模态理解、编辑与统一任务指令数据的四阶段管线：全局感知过滤低质量镜头、挖掘关键帧与多模态信号、构建元数据并路由以合成指令样本；该框架还能依据下游训练结果自主迭代数据分布。作者据此构建 10 万条样本的 VidUEU-100K 数据集，并报告基线模型微调后在多个基准上取得一致性能提升。
要点速读
- 管线分四阶段：全局感知过滤低质量镜头、挖掘关键帧与多模态信号、构建元数据、路由元数据合成指令样本
- 智能体框架可依据下游训练结果自主迭代数据分布，以优化数据质量、平衡性与训练效果
- 作者构建跨多领域多任务的 VidUEU-100K（10 万训练样本），并报告基线模型微调后在多个代表性基准上性能提升
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 2026/11/5 08:00:36（北京时间）。