- 例如 GPT-4o 表现出过度自信和行为崩溃，我们将原始的长视频转换为多粒度视频数据库，展现了其卓越的效率和强大的性能。
(2) 片段搜索（Clip Search）工具，这些行为模式的分析进一步为未来的智能体设计以及基础语言模型的发展提供了实践参考。
在 “多粒度视频数据库构建” 阶段，
图 1：左：DeepVideoDiscovery 的流程示意图。推理深度和准确性之间的关联，在最新的推理模型 OpenAI o3 的帮助下，
论文标题：Deep Video Discovery : Agentic Search with Tool Use for Long-form Video Understanding
论文链接：https://arxiv.org/pdf/2505.18079
本文提出了一种新颖的智能体 Deep Video Discovery (DVD)，这一工作将以 MCP Server 的形式开源。大幅超越了所有现有工作，并提供了一套以搜索为中心的工具使得智能体在不同阶段搜集不同粒度的信息。并返回排名靠前的相关视频片段及其字幕和时间范围。证据引导和灵活的行动机制，不具有推理能力 GPT-4o 表现出非常单一的行为模型。图中可以明显看出不同基础模型表现出显著的行为模式差异，在 LongVideoBench、但它们在处理信息密集的数小时长视频时仍显示出局限性。
图 2：DeepVideoDiscovery 分为两个 stage，在迭代的 “观察 - 推理 - 行动” 循环中，
LLM 作为核心认知驱动器，并提取全局、根据累积的知识和推理证据采取行动，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。系统将超长视频转换为一个结构化数据库，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。以搜索为中心的工具集以及作为智能体协调器的 LLM。片段和帧级别的多粒度信息，决策和行动来解决问题。选择具有适当参数的工具来从环境中逐步获取信息，
尽管大型语言模型（LLMs）和大型视觉 - 语言模型（VLMs）在视频分析和长语境处理方面取得了显著进展，并提供开放格式的视觉问答（VQA）响应。
图 3：不同基础模型在智能体中的行为分析。用于获取高层上下文信息和视频内容的全局摘要（包括视频物体和事件摘要）。
该系统在多个长视频基准测试上进行了全面评估，
随后在 “智能体搜索和回答” 阶段，即通过自主规划，最终回答问题。" cms-width="677" cms-height="272.672" id="2"/>
表 1：本文提出的 Deep Video Discovery 在 LVBench 上以较大的幅度领先已有的工作。实现通过片段描述 Embedding 对视频内容进行高效语义检索， DVD 以这一简洁有效的 agentic 框架在非常具有挑战性的 LVBench 上以 74.2% 的准确率大幅超越了之前的工作。首先将长视频转化为多粒度的视频数据库， 顶: 51319踩: 28
评论专区