Caption-once, Frames-on-Demand: Visual-Need Routing for Budget-Aware Agentic Long Video Understanding¶

复现级别：L1 核心机制诊断。 本地执行 caption/query gate 与 top-k 帧选择；未运行长视频 VLM。

论文信息¶

字段	内容
论文链接	Caption-once, Frames-on-Demand: Visual-Need Routing for Budget-Aware Agentic Long Video Understanding
公司/机构	Queen Mary University of London（按第一作者署名单位）
首次公开日期	2026-09-10
原文开源代码	否：未找到作者公开仓库（核查日期：2026-09-14）
Adapter / 方法	`frames-on-demand`
本地复现代码	`src/auto_research/foundation_latest_20260914.py`

视频只做一次 caption memory；visual-need router 判断文本证据不足时，才在固定预算内读取相关帧。

flowchart LR
  I[输入与公开状态] --> M[frames-on-demand 核心机制]
  M --> A[可审计中间量]
  A --> O[输出或更新]

原论文 Figure 1（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

本地代码把论文决定性操作实现为确定性的 reference kernel，并显式输出门控、选择、投影、图边或状态更新统计；测试覆盖公式不变量和边界条件。

论文在保持竞争力的同时把视觉帧消耗降低约一个数量级。这些数字来自原论文，不与本地缩小实验直接比较；论文未报告线上 A/B 时不推断线上收益。

三种子指标见 metrics/mechanism-seeds42-44.json。所有候选使用相同公开 fixture、预算和 seed；本页结果只证明核心状态转换实际执行。

本地执行 caption/query gate 与 top-k 帧选择；未运行长视频 VLM。