FactGuard：经由强化学习的 Agentic 视频虚假信息检测

多模态大语言模型（MLLM）通过统一的多模态推理大幅推进了视频虚假信息检测，但它们常依赖固定深度的推理，并过度信任内部生成的假设，尤其是在关键证据稀疏、碎片化或需要外部验证的场景中。针对这些局限，我们提出 FactGuard，一个 Agentic 视频虚假信息检测框架，将验证形式化为构建在 MLLM 之上的迭代推理过程。FactGuard 显式评估任务歧义并选择性地调用外部工具以获取关键证据，实现推理轨迹的渐进式精修。为进一步强化该能力，我们引入两阶段训练策略，将领域特定的 Agentic 监督微调与决策感知强化学习相结合，以优化工具使用并校准风险敏感的决策。在 FakeSV、FakeTT 与 FakeVV 上的大量实验证明了 FactGuard 的 SOTA 性能，并验证了其出色的鲁棒性与泛化能力。