STAR Framework: чередование пространственного и временного анализа видео через инструменты

Проблема: LLM пытается найти момент в 2-часовом видео, просматривая случайные кадры — это как искать цитату в книге, открывая её наугад. Либо смотрит слишком много кадров (медленно и дорого), либо угадывает по нескольким случайным (неточно). STAR позволяет находить конкретные моменты в длинных видео (где спикер показал график, когда появился объект) через систематический анализ вместо угадывания. Фишка: чередуй «когда» и «где» — сначала сужаешь временной отрезок (весь таймлайн → 30 минут → 2 минуты), потом ищешь объект в кадрах этого отрезка, снова сужаешь время, снова место. Модель не может сжульничать и ответить сразу — каждый шаг добавляет информацию в явный список проанализированного (Visible State Dictionary).