以下为上游提供的源文稿,可能存在识别错误。
乔木转写是基于源文稿的中文提炼,不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇,慢慢读
从左侧挑一篇,正文会在这里排成书页。
Understanding long videos requires locating evidence, resolving visual details, and integrating observations into an answer. Even when relevant evidence is present, performing these operations within long, dense visual sequences burdens both perception and reasoning. Video agents enable selective inspection, but return
阅读原文 · Yancheng Long, Xuanyu Zheng, Wei Chen, Luoyuan Zhang, Haoyang Xu, Bin Wen, Tingting Gao
向阳乔木 · opencode-go/deepseek-v4.1-flash
长视频理解有个很拧巴的地方:证据明明在视频里,模型却要先把大量画面塞进上下文,再开始推理。塞得少了怕漏关键细节,塞得多了推理又被拖垮。 VideoNexus 想拆开这件事。它让规划器只负责“去哪看、看什么、采样多密”,把真正的视频感知交给独立的子智能体,在各自的上下文里处理原生音视频,只回传紧凑、带时间定位的证据。 这个思路的价值在于:上下文里流动的是证据,...