Thinking on Shots: Consistent Multi-Shot Video Editing with Agentic Reasoning
基于 Agent 推理的长视频多镜头一致性编辑
🧭 视频编辑 · Agentic Reasoning
Nankai University · Tencent
提出 Agentic 框架结合 LLM 与 VLM，解决长视频多指令编辑中的跨镜头一致性、指令解耦与时空结构零破坏问题
📌 工作参考价值（4 点）
- 主要是视频编辑领域的学术贡献，与电商/搜索推荐业务直接关联较弱；但其中 LLM + VLM 协同的 Agentic 任务分解 思路可迁移到多模态商品视频/短视频生成审核：将复杂指令拆解为多个子任务，分别由 LLM 做指令规划、VLM 做视觉校验，提升生成内容的一致性。
- 提出的 Cross-Shot Editing Consistency (CSEC) 与 Zero-Destruction on Spatiotemporal Structure (ZDSS) 评估维度，类似推荐系统中“跨会话兴趣一致性”和“无侵入式推荐”，可借鉴其评估指标设计，度量多步交互或长周期推荐中的连贯性与非破坏性。
- 长视频分段处理中避免实体碎片化的思想，可用于电商详情页视频自动剪辑或广告素材拼接：根据实体分布动态切分而非固定时长，减少实体断裂。
- 整体业务可借鉴点有限，若团队涉及多模态内容生成或 AIGC 质量评估，可关注其 Agentic 编排与人工评估指标。