从意图到证据：面向政策的多策略检索方法在长视频智能体中的应用

研究团队提出 VESTA，一种无需训练的长视频智能体系统。该系统通过意图路由器在探索阶段推断聚焦、召回或对比检索策略及证据账户配置，并采用路由条件获取 - 验证 - 巩固循环处理任务。VESTA 利用多模态证据操作将检索结果转化为观察值，并通过时间证据账本整合位置、来源、冲突及验证结果，形成自适应视图以指导后续行动。在 Video-MME-v2 测试中，其平均准确率较 VideoARM 提升 2.7 分；在 LongVideoBench 长子集和 LVBench 上分别提升 6.9 分和 1.5 分，并在 EgoSchema 上与 VideoARM 表现持平。