SleuthVLM: 我们真的需要视频中的音频来实现全方位视频理解吗？

SleuthVLM是一种基于VLM构建的智能体，不直接处理音频而是将语音转录为文本，在四个全方位视频理解基准测试上达到75.0%的平均准确率，比Gemini 3.8 Flash高出2.6个百分点，并在Video-MME-v2排行榜上以77.8%的成绩位居榜首。研究结果表明，视频理解的关键在于智能体能力而非模态对齐。