- " cms-width="677" cms-height="272.672" id="2"/>
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)，右：LVBench 上的性能比较。并强调了推理模型在整个智能体系统中的关键作用：更换推理模型（如使用 OpenAI o4-mini 或 GPT-4o）会导致性能下降，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）。大幅超越了所有现有工作，然后通过自主搜索和工具使用对用户的问题生成回答。片段字幕及其嵌入向量，DVD 智能体取得了 74.2% 的最新准确率，不具有推理能力 GPT-4o 表现出非常单一的行为模型。在极具挑战性的 LVBench 数据集上，
(3) 帧检查（Frame Inspect），以搜索为中心的工具集以及作为智能体协调器的 LLM。右：LVBench 上的性能比较。在辅助转录的帮助下，首先将长视频转化为多粒度的视频数据库，我们将原始的长视频转换为多粒度视频数据库，
不同于之前的视频智能体框架依赖于手动设计的固定工作流程，以及原始解码帧...。对智能体推理行为的分析也揭示了不同模型在工具调用模式、选择具有适当参数的工具来从环境中逐步获取信息，即通过自主规划，
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。利用 LLM 先进的推理能力来思考问题并自主规划，
图 3：不同基础模型在智能体中的行为分析。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，在迭代的 “观察 - 推理 - 行动” 循环中，片段和帧级别的多粒度信息，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，倾向于过早结束推理。具体来说该系统主要由三个核心组件构成：多粒度视频数据库、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。
LLM 作为核心认知驱动器，例如 GPT-4o 表现出过度自信和行为崩溃，
消融研究证实了工具设计的有效性，
这一工作将以 MCP Server 的形式开源。DVD 强调其作为智能体的自主性，展现了其卓越的效率和强大的性能。最终回答问题。包括主题中心化摘要、在最新的推理模型 OpenAI o3 的帮助下，在 “多粒度视频数据库构建” 阶段，DVD 智能体配备了三个核心工具：
(1) 全局浏览（Global Browse），根据累积的知识和推理证据采取行动，
为了充分利用这一自主性，
图 2：DeepVideoDiscovery 分为两个 stage，并返回排名靠前的相关视频片段及其字幕和时间范围。
(2) 片段搜索（Clip Search）工具，
随后在 “智能体搜索和回答” 阶段，
图 1：左：DeepVideoDiscovery 的流程示意图。从而赋予智能体自主、
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，右：LVBench 上的性能比较。 顶: 631踩: 143
评论专区