PhoenixNest-Video: Evidence-Grounded Multimodal Agent Framework for Automated Video Interview Assessment

论文解决了什么问题

视频面试评估要求评委按多项准则打分并引用具体行为证据，但申请人数激增使纯人工评估成本高昂且易受疲劳与锚定偏差影响。现有机器学习方法虽可扩展，却只输出不透明的数值分数；直接套用多模态大模型则存在评分区间压缩、缺乏证据锚定与跨模态记忆不足等结构性缺陷，难以满足高风险决策的可审计要求。

核心方法

PhoenixNest-Video 先将面试视频拆分为片段并构建语义视频图，把跨时段的等价语义实体合并为原型节点。推理时按评分准则生成行为指标与查询，在图中检索候选片段并经视觉、音频、文本三模态验证形成证据链。Scorer 模块先做监督微调，再用包含准则对齐与等级区分双重奖励的 Rubrics-based RL 训练，使模型输出与多级评分准则一致的分数与理由。

相比 Naim 等基于手工韵律与面部特征的方法以及 Hemamou 等的层级神经网络，PhoenixNest-Video 将每个分数条件化于评分准则并锚定到经跨模态验证的视频片段，而非输出整体或特质层级的不透明分数。相比直接提示 GPT-5.4 或 VideoLLaMA2 等通用多模态模型，其通过语义图检索与双重奖励 RL 解决了评分区间压缩与证据缺失问题。

实验结论

• PhoenixNest-Video 在 VInterview-2025 测试集上达到 91.50% 等级准确率，总分 MAE 为 4.13，Wasserstein 距离为 2.03，均为所有基线中最优。
• 直接提示的 GPT-5.4 在 VInterview-2025 上等级准确率仅 43.00%，且分数集中在狭窄低分段；VideoLLaMA2 则呈现双峰高分偏差，两者均偏离人类专家分布。
• 在 RecruitView 的 12 项回归目标上，PhoenixNest-Video 的宏观平均 Spearman ρ 为 0.4437，C-index 为 0.6579，均高于所有闭源与开源基线。
• 将 PhoenixNest-Video 的检索与验证管线包裹在 Qwen3.5-397B 或 Kimi-K2.5 等更大骨干上，等级准确率反而低于 8B 训练版 Scorer，表明框架增益并非简单来自参数规模。
• 消融实验显示，移除对齐奖励或区分奖励均导致等级准确率与总分 MAE 下降，验证双重奖励设计的必要性。

局限性与证据边界

适合谁阅读