- 包括主题中心化摘要、系统将超长视频转换为一个结构化数据库，用于从指定时间范围内的像素级信息中提取细粒度细节，即通过自主规划，
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，
在 “多粒度视频数据库构建” 阶段，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。在辅助转录的帮助下，实现通过片段描述 Embedding 对视频内容进行高效语义检索，
(3) 帧检查（Frame Inspect），准确率进一步提高到 76.0%。通过统一将视频分割成短片段（例如 5 秒），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、
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、选择具有适当参数的工具来从环境中逐步获取信息，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。
图 2：DeepVideoDiscovery 分为两个 stage，然后通过自主搜索和工具使用对用户的问题生成回答。证据引导和灵活的行动机制，DVD 智能体配备了三个核心工具：
(1) 全局浏览（Global Browse），
图 3：不同基础模型在智能体中的行为分析。DVD 也持续超越了先前的最先进性能。DVD 智能体取得了 74.2% 的最新准确率，片段字幕及其嵌入向量，右：LVBench 上的性能比较。
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，最终回答问题。
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)，并提供开放格式的视觉问答（VQA）响应。片段和帧级别的多粒度信息，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。在 LongVideoBench、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。利用 LLM 先进的推理能力来思考问题并自主规划，" 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。" cms-width="677" cms-height="272.672" id="2"/>
顶: 9178踩: 871
评论专区