**CoEvoWhen:通过策略-工具协同进化实现超长视频时间定位**

_CoEvoWhen: Policy-Tool Coevolution for Ultra-Long Video Temporal Grounding_

> 提出CoEvoWhen框架,通过从VLM推理轨迹中联合进化高层策略与可执行媒体工具,无需更新模型参数即可形成可复用技能。该框架利用外部技能更新器蒸馏任务经验,优化长程图像与细粒度视频观察的编排,并自动升级或创建新工具以适应证据获取。实验表明,该方法在五个基准测试中一致提升了超长视频的时间定位精度,降低了视觉Token成本,并在通用长视频问答任务中展现出良好的泛化能力。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:论文
- **发布时间**:2026-10-01 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2609.40048)