AGI Hunt· antgroup·· 2 小时前AI 评分51
SleuthVLM 论文：用语音转写加自主探索提升长视频理解，平均准确率超 Gemini 3.8 Flash
SleuthVLM：不听音频只靠语音转写+自主探索，长视频理解反超 Gemini 3.8 Flash
AI 导读
布里斯托大学、蚂蚁集团与清华团队的 SleuthVLM 论文提出一种不直接听音频的 agent 化 VLM，先把语音转成文字，再让模型自主侦查视频且不设预设工作流。
来源：AGI Hunt · agihunt.info