Wang Z., et al. Think, Then Verify: A Hypothesis–Verification Multi-Agent Framework for Long Video Understanding. *CVPR 2026.*2026 年 6 月 7 日，CVPR 2026 正式接收

Compare

在优化提示词之前，首先我们要有一个比较函数用于比较优化前和优化后的程序。即改了提示词之后，程序判断这次改动是真有用，还是只是运。

比较的过程

旧提示词答对、新提示词答对 → 这题没变化，不用管（不管多少题）
旧提示词答错、新提示词答对 → 改动修好了这题 ← 挑出来
旧提示词答对、新提示词答错 → 改动改坏了这题 ← 挑出来
两次都答错 → 没变化，不用管

compare.py 自动完成这个过程，打开两个结果文件，按题号配对，把“变好”和“变坏”的题各自列出来，最后算一个运气概率——如果纯粹靠运气也能出现这么偏的结果，这个概率是多大。运气概率很小（比如 3%），我们才敢说“改动真的起了作用”；运气概率很大（比如 50%），结论只能是“看不出变化”。