VOS-Agent：第八届 LSVOS 挑战赛（MOSEv2 赛道）第一名的解决方案

复杂的视频对象分割需要在严重遮挡、消失和再现的情况下具有鲁棒的目标传播。尽管 SAM3 提供了强大的即时掩码传播，但对于视觉证据不足的微小目标和身份依赖于显式属性的语义主导目标来说，统一的推理路径仍然不可靠。为此，我们提出了 VOS-Agent，这是一个协作框架，保留 SAM3 作为共享密集分割模块，并根据目标特征有条件地激活专门代理。目标感知和路由代理将每个序列分配给常规的、微小的或语义主导的路由。视觉跟踪代理通过置信感知框提示支持微小目标，而语义主导的目标则由基于 MLLM 的语义代理通过描述引导的本地化和候选验证来处理。在 MOSEv2 测试集上，VOS-Agent 在官方 $\mathcal{J}\&\dot{\mathcal{F}}$ 指标上取得了 69.82% 的成绩，并在 ECCV 2026 第八届 LSVOS 挑战赛的 MOSEv2 赛道中排名第一。