Grounded LVQA

本文提出VideoTreeSearch (VTS)，针对长视频接地问答中传统智能体缺乏回溯机制、易过早收敛的问题。VTS利用CLIP构建语义树，通过zoom_in/out/shift离散动作实现显式自纠错。实验显示，VTS在CG-Bench上mIoU达16.8，显著优于LongVT，且平均处理帧数更少。需注意当前方法对多段分散证据支持有限，且依赖CLIP场景分割。