arXiv · cs.AI · Yi Wang, Tianzi Wang, Peter Bell · 12 小时前模型评分38
精简工具集与模态整合：高效智能体音视频问答
Efficient Agentic Audio-Visual Question Answering through Toolset Pruning and Modality Consolidation
导读
研究从专用工具版 OmniAgent 出发，通过分阶段剪枝工具集并将音视频专用工具逐步整合为全模态工具，得到一个仅含全模态描述与全模态问答两个工具的智能体。在三个常用音视频问答基准上，该精简智能体准确率与专用工具版相当或更优，推理成本降低约 70%。
分类置信度
中 · 待人工复核
- 只有单一媒体来源，需要人工复核。
来源级别：媒体与个人
事件类型：研究发布
证据摘录
- “We investigate whether comparable performance can be retained with a compact workflow exposing only essential perceptual capabilities.”
来源：arXiv · cs.AI · arxiv.org