89 lines
2.7 KiB
Markdown
89 lines
2.7 KiB
Markdown
---
|
||
name: action-recognition
|
||
description: 动作识别类问题——需要识别视频中发生了什么动作或行为
|
||
task_type: Action Recognition
|
||
---
|
||
|
||
## 适用场景
|
||
|
||
问题要求识别视频中发生的动作、行为或技能。
|
||
例: "What happens when X?" "What are the magic tricks about?" "Which skill is NOT performed?"
|
||
|
||
## 视频树字段索引
|
||
|
||
| 层级 | 字段 | 适用场景 |
|
||
|------|------|---------|
|
||
| L1 | scene_summary | 整体概况 |
|
||
| L1 | key_entities | 查找人物/物体 |
|
||
| L1 | main_actions | 主要动作 |
|
||
| L1 | temporal_flow | 时间线概览 |
|
||
| L1 | topic_keywords | 主题定位 |
|
||
| L2 | event_description | 事件因果 |
|
||
| L2 | entities / actions | 实体和动作细节 |
|
||
| L2 | state_changes | 状态转变 |
|
||
| L2 | spatial_relations | 空间关系变化 |
|
||
| L3 | frame_summary | 精确视觉证据 |
|
||
| L3 | visible_entities | 具体物体确认 |
|
||
| L3 | ongoing_actions | 正在发生的动作 |
|
||
| L3 | spatial_layout | 精确空间位置 |
|
||
| L3 | visual_attributes | 光照、色调、机位 |
|
||
| L2/L3 | subtitle | 字幕转写（L1 无此字段） |
|
||
| 全层 | visible_text | 画面文字（OCR） |
|
||
|
||
## 搜索步骤
|
||
|
||
### Step 1: L1 全局扫描
|
||
|
||
以 read L1 开始建立全局动作图谱。
|
||
|
||
### Step 2: 分拆式搜索
|
||
|
||
必须对每个选项单独搜索验证，不要将多个选项拼成一个查询。
|
||
|
||
### Step 3: 时间感知验证
|
||
|
||
如果问题包含时间限定词，必须特别小心。
|
||
|
||
### Step 4: 多源证据交叉
|
||
|
||
不要只依赖单一信息源下结论。
|
||
|
||
## 输出格式
|
||
|
||
每轮在 content 中输出以下 JSON（第一轮可省略 reflect）：
|
||
|
||
```json
|
||
{
|
||
"reflect": {
|
||
"learned": "这条信息揭示了什么",
|
||
"options": {
|
||
"A": "对此选项已知什么、来自哪个节点",
|
||
"B": "...", "C": "...", "D": "..."
|
||
},
|
||
"confidence": 0.5,
|
||
"best_candidate": "B",
|
||
"answer_ready": false,
|
||
"is_negation_question": false,
|
||
"branches_explored": "已探索 X/Y 个 L1 分支"
|
||
},
|
||
"plan": {
|
||
"goal": "本轮要获取什么信息",
|
||
"tool": "选择哪个工具",
|
||
"reason": "为什么这个工具和参数能达成目标"
|
||
},
|
||
"action": {
|
||
"tool": "search_similar",
|
||
"args": {"query": "关键词", "question": "当前关注的具体问题"}
|
||
}
|
||
}
|
||
```
|
||
|
||
## 自检信号
|
||
|
||
如果你用同一个查询搜索了多个选项的证据，回到 Step 2，对每个选项使用独立的、有区分性的关键词分别搜索。
|
||
|
||
## 常见陷阱
|
||
|
||
1. **字幕语义歧义**: 游戏解说、体育评论中的专业术语容易被误解。对模糊的字幕证据，查看相邻 L3 的视觉描述进行交叉验证。
|
||
2. **"以上全部"选项**: 当选项 D 是"All of the above"时，必须为 A/B/C 三个选项都找到存在证据。
|