**VidUEU-Agent：首个从原始视频合成指令数据的智能体，推动多模态能力跃升**

_VidUEU-Agent: A Data-Curation Agent for Multimodal Understanding, Editing, and Unified Tasks_

> 针对高质量指令数据稀缺的瓶颈，研究团队提出了 VidUEU-Agent 智能体框架。该框架通过四阶段流水线，自动从原始视频中筛选关键帧、提取多模态信号并构建元数据，从而合成涵盖理解、编辑及统一任务的高质量指令数据。更关键的是，该智能体能根据下游训练结果自主迭代数据分布以优化质量与平衡。基于此构建的 VidUEU-100K 大规模数据集在多项基准测试中显著提升了模型性能，为多模态能力发展提供了坚实基础。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-11-04 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2611.04418)