7B视频agent反超72B模型 (opens in new tab)

长视频理解不必逐帧全看 ：OmniAgent把感知建模成可自主决策的推理动作，7B agent在LVBench做到50.5%，反超大10倍的Qwen2.5-VL-72B，还表现出正向test-time scaling｜AI论文简报