- " cms-width="677" cms-height="272.672" id="2"/>
图 2:DeepVideoDiscovery 分为两个 stage," cms-width="677" cms-height="251.984" id="3"/>图 1:左:DeepVideoDiscovery 的流程示意图。从而赋予智能体自主、
消融研究证实了工具设计的有效性,
为了充分利用这一自主性,
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,DVD 强调其作为智能体的自主性,
图 3:不同基础模型在智能体中的行为分析。" 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。
该系统在多个长视频基准测试上进行了全面评估,
LLM 作为核心认知驱动器,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),倾向于过早结束推理。有效地将原始查询分解为逐步细化的子查询来解答问题。右:LVBench 上的性能比较。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。推理深度和准确性之间的关联,准确率进一步提高到 76.0%。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,通过将长视频分割为更短的片段并将其视作环境,首先将长视频转化为多粒度的视频数据库,实现通过片段描述 Embedding 对视频内容进行高效语义检索,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。选择具有适当参数的工具来从环境中逐步获取信息,
顶: 89踩: 1
评论专区