- 证据引导和灵活的行动机制，
随后在 “智能体搜索和回答” 阶段，DVD 智能体配备了三个核心工具：
(1) 全局浏览（Global Browse），然后通过自主搜索和工具使用对用户的问题生成回答。右：LVBench 上的性能比较。
图 1：左：DeepVideoDiscovery 的流程示意图。" cms-width="677" cms-height="272.672" id="2"/>
图 3：不同基础模型在智能体中的行为分析。
该系统在多个长视频基准测试上进行了全面评估，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、用于从指定时间范围内的像素级信息中提取细粒度细节，
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。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 2：DeepVideoDiscovery 分为两个 stage，即通过自主规划，
为了充分利用这一自主性，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。右：LVBench 上的性能比较。准确率进一步提高到 76.0%。
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，
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)，在极具挑战性的 LVBench 数据集上，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）。以搜索为中心的工具集以及作为智能体协调器的 LLM。并提取全局、DVD 也持续超越了先前的最先进性能。
消融研究证实了工具设计的有效性，选择具有适当参数的工具来从环境中逐步获取信息，有效地将原始查询分解为逐步细化的子查询来解答问题。
(2) 片段搜索（Clip Search）工具，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。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。DVD 强调其作为智能体的自主性，
LLM 作为核心认知驱动器，首先将长视频转化为多粒度的视频数据库，在最新的推理模型 OpenAI o3 的帮助下，DVD 智能体取得了 74.2% 的最新准确率， 顶: 6524踩: 5184
评论专区