Reviso：ビデオキャプショニングでは全ての視覚的証拠に同じ注意を払う必要はない

Reviso は、階層的な計画と能動的知覚によって重要な視覚的証拠を優先するエージェント型ビデオキャプショニングフレームワークである。4つのビデオキャプショニングベンチマークで、評価対象のオープンソースベースラインを上回り、生成されたキャプションはダウンストリームのビデオ質問応答をより良く支える。学習にはGRPOを用い、キーファクト報酬、計画整合報酬（PAR）、非生産的ツール呼び出しペナルティ（UTCP）を組み合わせている。