arXiv cs.AI· Xinyu Deng, Siwen Luo, Daochang Liu·· 12 小时前AI 评分31
视频理解智能体综述：从固定推理到主动决策的系统梳理
Agentic Video Understanding: A Survey
AI 导读
一篇被 DICTA 2026 接收的综述系统梳理了视频理解智能体——以视频为主要信息源、通过自适应状态构建与动作选择完成理解任务的系统。文章形式化定义了视频理解的智能体循环，并用“挑战到设计”的分类法把上下文瓶颈、证据稀疏、时序因果和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、角色专门化协作。
正文 · AI 翻译
摘要：随着大型语言模型（LLM）能够处理日益多样的模态和更长的时间上下文，一个新兴的研究方向正在超越固定的视频-语言推理，转向能够主动决定检查、保留、验证哪些信息并据此采取行动的智能体系统。本综述回顾了视频理解智能体：这类系统以视频为主要信息来源，通过自适应状态构建和动作选择来解决理解任务。我们首先形式化了一个用于视频理解的智能体循环，然后探讨一个核心问题：为什么智能体对视频理解很重要？为回答这一问题，我们通过“挑战到设计”的分类体系来组织文献，将上下文瓶颈与分层证据记忆、证据稀疏性与主动证据获取、时间因果性与状态和过程跟踪、多模态歧义性与角色专门化协调分别联系起来。我们进一步回顾了状态空间范式、学习范式、监督信号、基准和评估协议。最后，我们指出了通向智能体原生时间建模和视频原生智能体的开放方向。项目页面：this https URL
| Comments: | 15 页，3 幅图，已被 DICTA 2026 接收；修订了图 2 以纠正分类体系中的不一致之处 |
| Subjects: | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| Cite as: | arXiv:2609.31713 [cs.CV] |
| （或 arXiv:2609.31713v2 [cs.CV] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2609.31713 arXiv 颁发的 DOI，经由 DataCite |
Submission history
来自：Xinyu Deng [查看邮箱]
[v1]
2026 年 9 月 21 日星期一 02:58:10 UTC（5,033 KB）
[v2]
2026 年 10 月 21 日星期三 02:49:27 UTC（5,031 KB）
来源：arXiv cs.AI · arxiv.org