寻找正确证据：因子引导的长视频从粗到细推理方法

一篇研究论文提出PACE框架，用于长视频问答中的关键证据获取。该框架先基于问题生成因子索引片段描述，再利用候选答案推导对比线索进行验证。在MMR-V基准上，使用Qwen3-VL模型，PACE准确率达42.6%，优于直接推理和Deep Video Discovery等基线，并在LVBench等数据集上表现一致。代码已开源。

长视频问答中，先前的智能体方法虽提升了线索检索，但答案准确率未能同步提升，瓶颈在于缺乏能区分选项的关键证据。PACE通过融合候选答案的对比线索，显著提高了证据恢复率，从而提升准确率，且在不同基准上验证了可迁移性，为长视频理解提供了新思路。

PACE采用两阶段机制：第一阶段，根据问题分解出的因子（如时间、空间、关系等）生成视频片段描述索引，避免候选答案干扰；第二阶段，利用候选答案推导对比性线索，查询索引进行验证，从而获取能区分正确与错误选项的关键证据。这种先检索后验证的方式，更有效地利用了选项信息，弥补了传统方法仅关注主题相关性的不足。

对长视频分析产品，PACE可提升自动问答、内容审核等任务的准确性。其两阶段框架易集成到现有视频理解系统，通过引入选项感知的检索，能减少误判，改善用户体验。开源代码降低了采用成本，便于快速原型验证，但需评估计算开销和模型依赖。

• 在长视频问答产品中，集成PACE的对比线索检索，提升多选题准确率，作为差异化功能。
• 将PACE作为视频内容审核的辅助工具，用于判断视频是否包含特定事件或对象。
• 基于PACE的因子引导索引，开发视频摘要或片段检索功能，提升用户查找效率。
• 为视频理解API提供PACE作为增强选项，按调用量收费，吸引需要高精度问答的企业客户。

• PACE在不同视频域（如长电影、监控录像）的通用性是否与论文基准一致？
• PACE对候选答案的数量和质量是否敏感？在答案选项较少或模糊时表现如何？
• PACE的计算开销和延迟对实时视频分析场景是否可接受？
• 使用闭源模型（如GPT-4V）时，PACE框架的效果是否优于开源Qwen3-VL？