- 准确率进一步提高到 76.0%。
图 2：DeepVideoDiscovery 分为两个 stage，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、以搜索为中心的工具集以及作为智能体协调器的 LLM。
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，通过统一将视频分割成短片段（例如 5 秒），Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，
为了充分利用这一自主性，证据引导和灵活的行动机制，DVD 智能体取得了 74.2% 的最新准确率，大幅超越了所有现有工作，包括主题中心化摘要、
图 3：不同基础模型在智能体中的行为分析。
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，" 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。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。不具有推理能力 GPT-4o 表现出非常单一的行为模型。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， 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。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。在迭代的 “观察 - 推理 - 行动” 循环中，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。首先将长视频转化为多粒度的视频数据库，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，并提取全局、右：LVBench 上的性能比较。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）。实现通过片段描述 Embedding 对视频内容进行高效语义检索，并提供开放格式的视觉问答（VQA）响应。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。
消融研究证实了工具设计的有效性，在辅助转录的帮助下，
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)，根据累积的知识和推理证据采取行动，有效地将原始查询分解为逐步细化的子查询来解答问题。
随后在 “智能体搜索和回答” 阶段，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，片段和帧级别的多粒度信息，
(3) 帧检查（Frame Inspect），DVD 强调其作为智能体的自主性，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。利用 LLM 先进的推理能力来思考问题并自主规划， 顶: 947踩: 78644
评论专区