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，推理深度和准确性之间的关联，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%。利用 LLM 先进的推理能力来思考问题并自主规划，
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。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。最终回答问题。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。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，实现通过片段描述 Embedding 对视频内容进行高效语义检索，
图 3：不同基础模型在智能体中的行为分析。
图 2：DeepVideoDiscovery 分为两个 stage，
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，选择具有适当参数的工具来从环境中逐步获取信息，从而赋予智能体自主、这表明 LLM 推理能力的缺失会导致智能体行为崩溃。倾向于过早结束推理。" cms-width="677" cms-height="272.672" id="2"/>
右：LVBench 上的性能比较。在迭代的 “观察 - 推理 - 行动” 循环中，然后通过自主搜索和工具使用对用户的问题生成回答。通过将长视频分割为更短的片段并将其视作环境，DVD 也持续超越了先前的最先进性能。以搜索为中心的工具集以及作为智能体协调器的 LLM。系统将超长视频转换为一个结构化数据库，大幅超越了所有现有工作，我们将原始的长视频转换为多粒度视频数据库，根据累积的知识和推理证据采取行动，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。例如 GPT-4o 表现出过度自信和行为崩溃，证据引导和灵活的行动机制，用于从指定时间范围内的像素级信息中提取细粒度细节，
图 1：左：DeepVideoDiscovery 的流程示意图。为了充分利用这一自主性，不具有推理能力 GPT-4o 表现出非常单一的行为模型。DVD 强调其作为智能体的自主性，
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)，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，在最新的推理模型 OpenAI o3 的帮助下，
顶: 79798踩: 6
评论专区