Reviso：视频字幕生成中并非所有视觉证据都应同等关注

Reviso 是一个基于智能体的视频字幕生成框架，通过构建分层的上下文-焦点-点（CFP）观察计划，优先关注关键视觉信息并生成更准确的字幕。该框架采用验证引导的训练流程和 Group Relative Policy Optimization（GRPO）方法，结合关键事实奖励、计划对齐奖励和无用工具调用惩罚，提升了字幕质量。