SleuthVLM：全模态视频理解是否真需要音频输入

SleuthVLM 提出一种基于 VLM 的智能体框架，不直接听音频，而是把语音转写成文本，让 VLM 自主排查视频内容，在四个视频时长最长 90 分钟的全模态基准上取得 75.0% 的平均准确率，比 Gemini 3.8 Flash 高 2.6 个百分点，并以 77.8% 登顶 Video-MME-v2 榜单。