مقاله‌ی arXiv:2609.37950 · نگه‌داشته برای بعد
Video-RSI: Recursive Self-Improvement of Video Understanding Agents via Harness Evolution
ویدیو-آراس‌آی: خودبهبودی بازگشتی ایجنت‌های فهم ویدیو با تکامل هارنس
- تاریخ
- (۷ مهر ۱۴۰۵) 2026-09-29 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Bingjun Luo, Jialin Guo, Siqi Li
- نهاد نویسنده‌ها
- Tsinghua University; Harbin Engineering University
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
ایجنت‌های فهم ویدیو شواهد را از طریق یک هارنس اجرایی به دست می‌آورند که تعیین می‌کند چه ببینند و چطور از دیده‌ها استفاده کنند. اما ردپاهای اجرا فقط شواهد هارنس فعلی را دارند، پس توضیح‌های رقیب برای شکست حل‌نشده می‌مانند؛ مثلاً معلوم نیست ایجنت چون فریم مهم را ندیده اشتباه کرده یا چون آن را بد تفسیر کرده.
روش
چارچوب Video-RSI به ایجنت اجازه می‌دهد با همان مدل زبانی خودش هارنس را بازنگری کند. با بررسی فعال ویدیو، مدل به ویدیوهای آموزشی اصلی برمی‌گردد تا توضیح‌های رقیب شکست را با مشاهده‌ی بیشتر بیازماید و تغییرات پیشنهادی را بر شواهدی فراتر از ردپای موجود استوار کند. تکامل هارنس آگاه از هزینه این تشخیص‌ها را به بازنگری‌های قابل استفاده‌ی مجدد تبدیل می‌کند و با در نظر گرفتن دقت پاسخ و هزینه‌ی بصری تصمیم می‌گیرد کدام را نگه دارد.
یافته‌ها
- ایجنت تکامل‌یافته در تنظیم‌های ارزیابی روی بنچمارک‌های فهم ویدیو دقت را بالا برد در حالی که فریم‌های کمتری پردازش کرد.
- در برابر ایجنت‌های موجود فهم ویدیو مبادله‌ی رقابتی دقت و کارایی داشت.
محدودیت‌ها
مقاله بخش جداگانه‌ای برای محدودیت‌ها ندارد و چکیده عدد مشخصی برای بهبود نمی‌دهد.
چرا مهم است
ایجنت‌های ویدیو باید تصمیم بگیرند کدام فریم‌ها را ببینند و این هزینه‌بر است. این کار نشان می‌دهد ایجنت می‌تواند خودش راهبرد دیدنش را بهتر کند و هم دقیق‌تر و هم ارزان‌تر شود.