划分、深思熟虑、决定：细粒度自我中心行为识别的多智能体框架

以自我为中心的视频中的细粒度动作识别对于视觉语言模型（VLM）来说是一个挑战：动作通常仅在小的视觉线索上有所不同，并且单个模型往往会偏向于这些线索的子集。我们提出了 Divide、Deliberate、Decide，这是一个完全本地、零样本的多智能体框架，其中（i）VLM 协调器对视频进行分块，并为每个片段提出前 k 个候选标签列表，（ii）来自不同开放模型系列的异构 VLM 专家组成的整体，参与包括一轮同行咨询问题的结构化审议，以及（iii）智能体排名与 Borda 计数汇总，协调器重新排名根据专家的证据做出自己的预测。整个管道在本地运行，没有 微调。实验表明，我们的方法在基线上积极提高了零样本动作识别性能，突出了异构审议步骤的影响，表明增益源于去相关模型先验，而不是来自额外的计算。