稀疏证据即可：面向多模态视频虚假信息检测的智能体证据寻求

研究者提出SIEVE框架，将多模态视频虚假信息检测分解为证据获取与验证两步。一个智能体主动从视频中寻找少数关键线索，形成紧凑证据包，再由验证器判断真伪。实验表明该方法在多个基准上优于现有方案，且证据路径可追溯。

传统方法需要处理整个视频，效率低且易被无关内容干扰。SIEVE证明了仅依靠少量关键线索即可可靠检测虚假信息，这大幅降低了计算开销，并提升了检测过程的可解释性。

虚假信息的证据结构通常是稀疏且组合的——只有几个耦合线索足以判断真伪，其余内容冗余。SIEVE通过强化学习训练智能体，使其学会主动获取这些关键线索，避免冗余处理，从而用更少信息达成更高准确率。

对于视频内容审核产品，此框架可减少全量视频分析所需算力，将资源集中在提取关键帧/片段上。同时，可追溯的证据路径有助于满足合规审计和人工复核需求。

• 将SIEVE集成到现有视频审核平台，作为预筛选模块，仅对可疑视频做全量分析。
• 为视频社交媒体提供轻量级虚假信息检测API，仅需上传关键帧即可返回判断。
• 基于证据轨迹开发可视化工具，帮助审核人员理解模型决策。

• 框架在真实世界大规模视频流中的性能如何？
• 智能体训练所需的监督证据寻求轨迹如何高效获取？
• 能否处理领域外或未见过的虚假信息类型？
• 是否有开源计划或商业许可？