Reviso：视频描述中并非所有视觉证据都值得同等关注

研究人员提出智能体视频描述框架 Reviso，通过分层规划与主动感知优先捕捉关键视觉证据，提升视频描述质量。该框架基于低帧率预览构建 CFP 观察计划，定向结合工具检查时间片段，并通过融合 PAR 与 UTCP 的 GRPO 进行训练。实验显示，Reviso 在 4 个视频描述基准测试中优于参评开源基线模型，生成的描述能更好支持下游视频问答。