TreeSoc：用于足球视频理解的树结构动态推理和工具协同

从视频中自动理解复杂的足球场景仍然是当代视觉语言模型（VLM）的重大挑战，该模型受到浅层跨模式对齐的影响，并且在多步骤推理和协调工具集成方面表现出基本局限性。我们提出了 TreeSoc，一个结构化推理框架，它将足球视频问答重新表述为分层搜索问题而不是单通道预测。具体来说，TreeSoc 采用动态深度优先搜索 (DFS) 机制，将复杂查询分解为按顺序排序的子任务，从而通过显式中间状态实现迭代推理细化。这种树形结构的分解自然支持自适应工具路由，其中​​特定领域的模块被选择性地激活，并且它们的输出被合并到每个推理节点以产生基于上下文的预测。在 SoccerBench 上，TreeSoc 实现了最先进的性能，在 TextQA、ImageQA 和 VideoQA 上的准确率分别为 85.2%、87.4% 和 82.2%。此外，TreeSoc 进一步展示了强大的跨域泛化能力，在 NExT-QA 上达到了 74.16% 的准确率。这些结果将结构化、工具增强的树推理确立为稳健视频理解的有效范例。代码位于：https://github.com/thanhnhan29/TreeSoc。