- 决策和行动来解决问题。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。准确率进一步提高到 76.0%。有效地将原始查询分解为逐步细化的子查询来解答问题。在迭代的 “观察 - 推理 - 行动” 循环中，
为了充分利用这一自主性，然后通过自主搜索和工具使用对用户的问题生成回答。DVD 也持续超越了先前的最先进性能。在辅助转录的帮助下，
图 3：不同基础模型在智能体中的行为分析。在最新的推理模型 OpenAI o3 的帮助下，
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，倾向于过早结束推理。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，
图 2：DeepVideoDiscovery 分为两个 stage，在 LongVideoBench、" 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。DVD 强调其作为智能体的自主性，系统将超长视频转换为一个结构化数据库， 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。
在 “多粒度视频数据库构建” 阶段，
该系统在多个长视频基准测试上进行了全面评估，证据引导和灵活的行动机制，以搜索为中心的工具集以及作为智能体协调器的 LLM。以及原始解码帧...。不具有推理能力 GPT-4o 表现出非常单一的行为模型。根据累积的知识和推理证据采取行动，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，片段和帧级别的多粒度信息，利用 LLM 先进的推理能力来思考问题并自主规划，右：LVBench 上的性能比较。大幅超越了所有现有工作，选择具有适当参数的工具来从环境中逐步获取信息，片段字幕及其嵌入向量，
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，这一工作将以 MCP Server 的形式开源。
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。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、即通过自主规划，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。通过统一将视频分割成短片段（例如 5 秒），
消融研究证实了工具设计的有效性，实现通过片段描述 Embedding 对视频内容进行高效语义检索，用于从指定时间范围内的像素级信息中提取细粒度细节，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。并提供开放格式的视觉问答（VQA）响应。" cms-width="677" cms-height="272.672" id="2"/>
顶: 273踩: 6
评论专区