SleuthVLM 论文：视频全模态理解或许不需要直接听音频

论文提出 SleuthVLM，一个不直接接收音频的 VLM 智能体框架，语音被转写为文本，由 VLM 自主探查视频。在四个全模态基准、最长 90 分钟的视频上平均准确率达 75.0%，高于 Gemini 3.8 Flash 2.6 个百分点，并以 77.8% 登顶 Video-MME-v2；基于开源 27B VLM 时优于所有开源全模态模型。