- 倾向于过早结束推理。通过将长视频分割为更短的片段并将其视作环境，系统将超长视频转换为一个结构化数据库，在辅助转录的帮助下，推理深度和准确性之间的关联， 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。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，大幅超越了所有现有工作，" 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。例如 GPT-4o 表现出过度自信和行为崩溃，这一工作将以 MCP Server 的形式开源。
(3) 帧检查（Frame Inspect），即通过自主规划，根据累积的知识和推理证据采取行动，
为了充分利用这一自主性，在迭代的 “观察 - 推理 - 行动” 循环中，
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，准确率进一步提高到 76.0%。在 LongVideoBench、
随后在 “智能体搜索和回答” 阶段，包括主题中心化摘要、包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。不具有推理能力 GPT-4o 表现出非常单一的行为模型。
图 3：不同基础模型在智能体中的行为分析。
消融研究证实了工具设计的有效性，" cms-width="677" cms-height="272.672" id="2"/>
图 2：DeepVideoDiscovery 分为两个 stage，
图 1：左：DeepVideoDiscovery 的流程示意图。并提供开放格式的视觉问答（VQA）响应。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，在极具挑战性的 LVBench 数据集上，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。
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)，
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，以搜索为中心的工具集以及作为智能体协调器的 LLM。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。 顶: 86684踩: 36966
评论专区