第五届 PVUW 挑战赛 MeViS-Text Track 的 AgentRVOS：第三种方法

该报告描述了一个以 Sa2VA 为中心并以显式代理角色组织的 Ref-VOS 管道。关键思想是 Sa2VA 应该提供第一个密集语义假设，而代理循环则决定是否应该接受、修改或完善该假设。该管道从目标存在判断阶段开始。如果视频中不存在所引用的对象，则系统直接输出零掩码。否则，Sa2VA 接收视频和参考提示，并在整个视频上生成粗略的掩模轨迹。该轨迹被视为语义先验而不是最终答案。规划器代理分解查询，时间分区代理识别信息块，侦察代理搜索锚框，细化代理将可靠的 Sa2VA 掩码转换为用于 SAM3 传播的框和点。评判器对候选轨迹进行评分，反思控制器修复弱假设，协作控制器协调多个代理分支。结果是一个 Ref-VOS 系统，其中 Sa2VA 负责密集的基础理解，而代理层处理存在验证、时间搜索、置信感知修订和最终掩模细化。