综述用挑战—设计分类法梳理视频理解智能体的研究框架。
资讯摘要
这篇综述梳理了以视频为主要信息源的视频理解智能体：这类系统通过自适应状态构建与动作选择完成理解任务，而非固定式视频-语言推理。论文先形式化视频理解的智能体循环，再以“挑战—设计”分类法组织文献，将上下文瓶颈、证据稀疏、时序因果与多模态歧义分别对应到分层证据记忆、主动证据获取、状态与过程跟踪、角色分工协作，并回顾状态空间、学习范式、监督信号、基准与评测协议。
要点速读
- 论文形式化视频理解的智能体循环，并讨论智能体为何对视频理解重要。
- 以挑战—设计分类法串联文献：上下文瓶颈对应分层证据记忆，证据稀疏对应主动证据获取，时序因果对应状态与过程跟踪，多模态歧义对应角色分工协作。
- 综述还覆盖状态空间范式、学习范式、监督信号、基准与评测协议，并提出智能体原生时序建模与视频原生智能体等开放方向。
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。