VideoSeeker

VideoSeeker 是一个面向细粒度视频理解的智能体（agentic）框架，通过原生调用视觉提示驱动的工具（如 view_visual_prompt、crop_video）实现实例级视频分析。其核心特点是将视频理解任务解耦为工具调用决策与视觉-语言协同推理，支持监督微调（SFT）和强化学习（RL）双阶段训练，并在 V2P-Bench 等多基准上验证效果。适用于需要精准定位、裁剪或交互式解析视频中特定对象/事件的研究与应用，如视频内容检索、行为细粒度标注、多模态智能体开发。