AgenticVAU：用于视频异常理解的多代理探索验证推理

视频异常理解（VAU）侧重于全面解释视频中的异常事件，要求模型识别异常事件，发现其支持证据，并解释简单异常检测之外的根本原因。现有的 VAU 方法通常依赖于专门的训练或有限的观察，限制了概括或证据覆盖范围。尽管单代理替代方案支持自适应视频观察，但它们仍然将探索、观察和决策集成在统一的推理过程中，提供有限的角色专业化和结构化证据协调。为了解决这些限制，我们提出了 AgenticVAU，这是一个 无需训练 多代理框架，它将 VAU 视为一个探索-验证过程，系统首先发现潜在的异常，然后通过有针对性的观察来验证它们。为了实现这一目标，引入了四个专门的代理来分别处理视觉规则构建、搜索规划、视频观察和最终决策。这些代理通过锚注册表进行通信，锚注册表是绑定每个观察结果的共享证据内存。在此代理框架的指导下，AgenticVAU 交织广泛的时间探索、密集的局部验证和跨区间比较，直到收集到足够的证据。我们对 VAU-Bench 的 ECVA、UCF-Crime 和 MSAD 子集进行了广泛的实验，结果表明 AgenticVAU 优于零样本推理和基于强化学习的基线，证明了多智能体协作对于视频异常理解的价值。