VideoSeeker: 네이티브 에이전틱 도구 호출을 통한 인스턴스 수준 비디오 이해 유도

연구진은 시각적 프롬프트와 에이전트형 도구 사용을 결합한 인스턴스 단위 비디오 이해 프레임워크 VideoSeeker를 제안했다.

VideoSeeker는 완전 자동 데이터 합성 파이프라인을 사용하며, 지도학습과 강화학습을 함께 적용해 학습했다.

이 시스템은 미세한 시공간 로컬라이제이션과 비디오 검색 성능을 높여, 객체와 이벤트를 더 정확하게 지면화한다.

결과는 강력한 기존 방법뿐 아니라 GPT-4o, Gemini-2.5-Pro 같은 폐쇄형 모델보다도 향상된 성능을 보였다.