LAVE: Planejamento Aprimorado por Evidência Visual Latente para Agentes de Uso de Ferramentas em Vídeo

arXiv:2608.07585v1 Tipo de Anúncio: novo Resumo: A compreensão de vídeos longos exige que os modelos adquiram e reutilizem de forma eficiente evidências visuais esparsas a partir de fluxos de vídeo longos e redundantes. Agentes recentes de uso de ferramentas em vídeo enfrentam esse desafio invocando iterativamente ferramentas visuais em diferentes escalas temporais, mas sua comunicação entre Ferramenta e Planejador geralmente depende de observações textuais. Essas interfaces baseadas apenas em texto fornecem resumos com perdas das computações das ferramentas, fazendo com que evidências visuais previamente computadas não...