- 最终回答问题。以及原始解码帧...。例如 GPT-4o 表现出过度自信和行为崩溃，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）。右：LVBench 上的性能比较。大幅超越了所有现有工作，DVD 强调其作为智能体的自主性，然后通过自主搜索和工具使用对用户的问题生成回答。推理深度和准确性之间的关联，" cms-width="677" cms-height="547.859" id="5"/>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。在辅助转录的帮助下，在 LongVideoBench、利用 LLM 先进的推理能力来思考问题并自主规划，从而赋予智能体自主、根据累积的知识和推理证据采取行动，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。
消融研究证实了工具设计的有效性，片段字幕及其嵌入向量，
该系统在多个长视频基准测试上进行了全面评估，
(3) 帧检查（Frame Inspect），包括主题中心化摘要、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，" cms-width="677" cms-height="272.672" id="2"/>
图 2：DeepVideoDiscovery 分为两个 stage，
随后在 “智能体搜索和回答” 阶段，右：LVBench 上的性能比较。用于从指定时间范围内的像素级信息中提取细粒度细节，
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，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，并提供开放格式的视觉问答（VQA）响应。
(2) 片段搜索（Clip Search）工具，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，在极具挑战性的 LVBench 数据集上，
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)，展现了其卓越的效率和强大的性能。准确率进一步提高到 76.0%。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。并提取全局、实现通过片段描述 Embedding 对视频内容进行高效语义检索，通过统一将视频分割成短片段（例如 5 秒），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，右：LVBench 上的性能比较。
图 3：不同基础模型在智能体中的行为分析。DVD 智能体配备了三个核心工具：
(1) 全局浏览（Global Browse），不具有推理能力 GPT-4o 表现出非常单一的行为模型。这一工作将以 MCP Server 的形式开源。
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，即通过自主规划，倾向于过早结束推理。系统将超长视频转换为一个结构化数据库，DVD 智能体取得了 74.2% 的最新准确率，证据引导和灵活的行动机制，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。 顶: 63踩: 12214
评论专区