MAVEN：面向视频推理任务的多阶段智能标注管线

为Vision Language Models（VLM）训练视频事件推理需要高质量结构化标注，既要捕捉事件发生的“什么”、“何时”、“何处”、“为何”以及“有什么后果”，又要规模突破手动标注的限制。我们提出MAVEN（Multi-stage Agentic Video Event aNnotation），一个将原始视频转化为多任务训练数据的多阶段智能管线，其Chain-of-Thought（CoT）推理痕迹围绕指定的“聚焦事件”组织。其核心是从三个互补的caption层级综合生成Multi-Scale Spatio-Temporal Event Description（MSTED），该显式中间表示作为下游Q&A生成的唯一输入，覆盖多个任务格式。关键的是，MAVEN支持agent驱动的领域适应：给定新的视频数据集和目标问题示例，agent无需人工重新设计即可重新设计所有提示。层次化精炼循环进一步对标注错误进行分类，追溯到产生管道阶段的根本原因，并应用针对性修改，重写提示或修改管道结构，以迭代提高数据质量。我们将MAVEN应用于对5300多个交通视频进行标注，并在生成的data上微调Cosmos-Reason2-8B。在私有CCTV评估集上，微调模型超越了Gemini 2.5 Pro和3.1 Flash，包括在MCQ准确率上实现了+38.8分的零样本提升。在AccidentBench上，仅用CCTV训练的Cosmos-Reason2提升了+10.7分的MCQ分数，甚至在未见dashcam视频的情况下匹配了Gemini 2.5 Pro；加入agent适配的dashcam标注后，差距缩小至与Gemini 3.1 Flash持平，进一步通过RL后训练将整体性能提升至超越两个Gemini基准。定性结果表明，agent化工作流程轻松适应新的领域，从仓库监控和公共安全视频中均显示出管道的灵活适应能力。