摘要

近年来，基于图像的大型多模态模型（LMMs）在视频问答（VideoQA）任务中取得了显著进展，其采用逐帧处理的方法，通过大规模预训练实现零样本（zero-shot）推理。然而，这些模型必须同时具备定位相关信息、提取信息并回答问题的能力。现有方法通常在单次遍历中完成所有步骤，缺乏在获取信息不足或错误时进行动态调整的能力。为解决这一问题，我们提出一种基于多个具有不同角色的智能体（agents）的模块化多LMM代理框架，其中由一个规划器（Planner）代理负责协调，通过整合其他智能体的共享反馈来动态更新指令。具体而言，我们提出了TraveLER方法，该方法能够制定一个“遍历”视频的计划，针对单个视频帧提出问题以“定位”并存储关键信息，随后“评估”是否已收集到足够的信息以回答原始问题。若信息仍不足，系统可基于已有知识进行“重规划”（replanning），从而实现更高效的推理过程。通过大量实验验证，我们发现TraveLER方法在多个视频问答基准测试中均显著提升了性能，且无需在特定数据集上进行微调。相关代码已开源，地址为：https://github.com/traveler-framework/TraveLER。