提出OmniAgent框架,将视频理解构建为基于POMDP的“观察-思考-行动”迭代循环,结合智能体监督微调与强化学习,有效解耦推理复杂度与视频时长,在多个视频理解基准上达到开源模型最优性能。
机构:阿里
来源:arXiv 2606.19341 | AI4Papers 论文推荐平台