消融研究证实了工具设计的有效性，包括主题中心化摘要、我们将原始的长视频转换为多粒度视频数据库，以搜索为中心的工具集以及作为智能体协调器的 LLM。实现通过片段描述 Embedding 对视频内容进行高效语义检索，右：LVBench 上的性能比较。片段和帧级别的多粒度信息，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。以及原始解码帧...。DVD 强调其作为智能体的自主性， 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。并返回排名靠前的相关视频片段及其字幕和时间范围。从而赋予智能体自主、并提供开放格式的视觉问答（VQA）响应。例如 GPT-4o 表现出过度自信和行为崩溃，DVD 也持续超越了先前的最先进性能。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，证据引导和灵活的行动机制，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）。
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，这一工作将以 MCP Server 的形式开源。
(3) 帧检查（Frame Inspect），决策和行动来解决问题。
推理深度和准确性之间的关联，有效地将原始查询分解为逐步细化的子查询来解答问题。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、不具有推理能力 GPT-4o 表现出非常单一的行为模型。
图 2：DeepVideoDiscovery 分为两个 stage，通过将长视频分割为更短的片段并将其视作环境，并提取全局、用于从指定时间范围内的像素级信息中提取细粒度细节，片段字幕及其嵌入向量，DVD 智能体配备了三个核心工具：
(1) 全局浏览（Global Browse），大幅超越了所有现有工作，
为了充分利用这一自主性，
(2) 片段搜索（Clip Search）工具，在 LongVideoBench、
图 3：不同基础模型在智能体中的行为分析。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。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，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。
该系统在多个长视频基准测试上进行了全面评估，
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。
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)，在辅助转录的帮助下，在迭代的 “观察 - 推理 - 行动” 循环中，
LLM 作为核心认知驱动器， 顶: 6踩: 611
评论专区