Thinking on Shots: Consistent Multi-Shot Video Editing with Agentic Reasoning

• 类型：arxiv
• 标识：2608.26809
• 链接：https://arxiv.org/abs/2608.26809
• 主分类：multimodal
• 形态：method
• 被引：0
• 被引来源：Semantic Scholar + OpenAlex
• S2被引：0
• OpenAlex被引：0
• 影响力被引：0
• TLDR：This work introduces an agentic editing framework that leverages the synergy of Large Language Models (LLMs) and Vision-Language Models (VLMs) to achieve shot-level video decoupling and precise instruction parsing, and constructs MMLVE-Bench, which is an MMLVE-focused dataset characterized by complex real-world spatiotemporal dynamics, high-density heterogeneous instructions, and sparse, random entity distributions.
• OpenAlex ID：W7204597527
• OpenAlex DOI：10.48550/arxiv.2608.26809
• DOI：10.48550/arxiv.2608.26809
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/2608.26809
• OpenAlex更新：2026-09-04
• 副分类：agent
• 待LLM分类：否
• 标题中文：Thinking on Shots：基于 Agentic 推理的一致性多镜头视频编辑。
• TLDR中文：本文提出一个 Agentic 视频编辑框架，利用 LLM 与 VLM 的协同实现 shot 级视频解耦与精确指令解析，并构建 MMLVE-Bench，一个聚焦 MMLVE 的数据集，具有复杂的真实世界时空动态、高密度异构指令以及稀疏随机的实体分布。
• 来源文件：
• /inbox/tom/_candidates/2026-08-28-agent-rag-longcontext-candidates.json
• [S2 enrich]
• [OpenAlex backfill]