VideoTIR: Accurate Understanding for Long Videos with Efficient Tool-Integrated Reasoning
arXiv cs.CV / 3/27/2026
📰 NewsIdeas & Deep AnalysisModels & Research
Key Points
- 現行のマルチモーダルLLMは長尺動画理解(LVU)でテキスト/ビジュアルトークンの不均衡などにより幻覚が起きやすいことが課題だと指摘しています。
- そこで提案手法VideoTIRは、強化学習(RL)を用いて多層ツールキットを適切に使わせ、意味のある動画セグメント/画像/領域へ焦点を当てることで、長尺動画理解の精度と効率を両立させます。
- 既存のSFTベースのツール呼び出しは高品質で膨大なデータが必要かつツール呼び出しの軌道が制約されがちという弱点に対し、VideoTIRはZero-RLおよびSFTのコールドスタートの両アプローチを検討しています。
- さらに、Toolkit Action Grouped Policy Optimization(TAGPO)により冗長なツール呼び出しを抑え、段階的な報酬付与と失敗ロールアウトの再利用で呼び出し効率を高めます。
- 併せて、サンドボックスを用いた軌道(trajectory)合成フレームワークで高品質な学習データを生成し、3つのロングビデオQAベンチマークで有効性と効率性を示したと報告しています。
Related Articles

GDPR and AI Training Data: What You Need to Know Before Training on Personal Data
Dev.to
Edge-to-Cloud Swarm Coordination for heritage language revitalization programs with embodied agent feedback loops
Dev.to

Big Tech firms are accelerating AI investments and integration, while regulators and companies focus on safety and responsible adoption.
Dev.to

AI Crawler Management: The Definitive Guide to robots.txt for AI Bots
Dev.to

Data Sovereignty Rules and Enterprise AI
Dev.to