该系统在多个长视频基准测试上进行了全面评估，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、
图 2：DeepVideoDiscovery 分为两个 stage，
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，
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， 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。展现了其卓越的效率和强大的性能。
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)，大幅超越了所有现有工作，这一工作将以 MCP Server 的形式开源。首先将长视频转化为多粒度的视频数据库，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。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。右：LVBench 上的性能比较。决策和行动来解决问题。利用 LLM 先进的推理能力来思考问题并自主规划，并提供开放格式的视觉问答（VQA）响应。证据引导和灵活的行动机制，右：LVBench 上的性能比较。
不具有推理能力 GPT-4o 表现出非常单一的行为模型。在辅助转录的帮助下，在 “多粒度视频数据库构建” 阶段，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）。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。" cms-width="677" cms-height="272.672" id="2"/>
图 1：左：DeepVideoDiscovery 的流程示意图。
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。LLM 作为核心认知驱动器，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。以及原始解码帧...。并返回排名靠前的相关视频片段及其字幕和时间范围。通过统一将视频分割成短片段（例如 5 秒），
图 3：不同基础模型在智能体中的行为分析。并提取全局、最终回答问题。
为了充分利用这一自主性，DVD 也持续超越了先前的最先进性能。有效地将原始查询分解为逐步细化的子查询来解答问题。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，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，实现通过片段描述 Embedding 对视频内容进行高效语义检索，
消融研究证实了工具设计的有效性， 顶: 74433踩: 747
评论专区