**SleuthVLM：无需直接听音，智能体能力即可实现全模态视频理解**

_SleuthVLM: Do We Really Need Audio-in-Video for Omni Video Understanding?_

> 研究提出 SleuthVLM，一种基于视觉语言模型（VLM）的智能体架构，通过语音转文本而非直接处理音频来理解视频。在四个全模态基准测试中，该模型以 75.0% 的平均准确率超越 Gemini 3.8 Flash，并在开源模型中表现最佳。研究结论表明，全模态视频理解的关键在于提升智能体的推理能力，而非单纯依赖更大的模型规模或原始音频输入。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-11-05 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2611.06083)