VepAgent结合工具增强强化学习预测视频事件
VepAgent是一种用于预测视频未来事件的智能体框架，将因果推理与工具增强强化学习结合起来，以推断已观察场景与后续事件之间的转变。该方法使用FutureBench-4K数据集进行监督微调，并在推理时调用状态跟踪、帧检索和图像区域放大等工具。据论文报告，在FutureBench和NEPBench评测中，VepAgent取得领先表现，优于规模更大的多模态语言模型。相关结论基于论文所述的基准测试。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。