본 논문은 장시간 비디오 이해의 어려움, 즉 시간적 복잡성과 낮은 정보 밀도를 해결하기 위해, 샘플링이나 LLM 활용 없이 효율적인 접근 방식을 제시합니다. VLMs(Vision-Language Models) 기반의 Curiosity-driven Video Agent (VCA)를 제안하며, 트리 탐색 구조를 통해 비디오 세그먼트를 탐색하고 중요 정보를 수집합니다. 외부 피드백이나 보상 대신 VLM의 자체 생성 내적 보상을 활용하여 탐색을 유도하고, 복잡한 비디오 시퀀스에 대한 포괄적인 이해를 구축합니다. 다양한 장시간 비디오 벤치마크에서 효과성과 효율성을 입증합니다.
