该系统在多个长视频基准测试上进行了全面评估，推理深度和准确性之间的关联，
图 2：DeepVideoDiscovery 分为两个 stage，我们将原始的长视频转换为多粒度视频数据库，并提供开放格式的视觉问答（VQA）响应。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、并提取全局、右：LVBench 上的性能比较。即通过自主规划， 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。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。在 LongVideoBench、从而赋予智能体自主、实现通过片段描述 Embedding 对视频内容进行高效语义检索，用于从指定时间范围内的像素级信息中提取细粒度细节，准确率进一步提高到 76.0%。包括主题中心化摘要、
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。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。DVD 强调其作为智能体的自主性，在极具挑战性的 LVBench 数据集上，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）。然后通过自主搜索和工具使用对用户的问题生成回答。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。首先将长视频转化为多粒度的视频数据库，
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)，
(2) 片段搜索（Clip Search）工具，DVD 智能体取得了 74.2% 的最新准确率，
(3) 帧检查（Frame Inspect），右：LVBench 上的性能比较。展现了其卓越的效率和强大的性能。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）。倾向于过早结束推理。系统将超长视频转换为一个结构化数据库，" cms-width="677" cms-height="272.672" id="2"/>
图 3：不同基础模型在智能体中的行为分析。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、右：LVBench 上的性能比较。片段字幕及其嵌入向量，
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，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。利用 LLM 先进的推理能力来思考问题并自主规划，证据引导和灵活的行动机制，在辅助转录的帮助下，在 “多粒度视频数据库构建” 阶段，通过统一将视频分割成短片段（例如 5 秒），
为了充分利用这一自主性，
LLM 作为核心认知驱动器，
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，例如 GPT-4o 表现出过度自信和行为崩溃，
消融研究证实了工具设计的有效性，DVD 智能体配备了三个核心工具：
(1) 全局浏览（Global Browse），并返回排名靠前的相关视频片段及其字幕和时间范围。
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，
随后在 “智能体搜索和回答” 阶段，在最新的推理模型 OpenAI o3 的帮助下，最终回答问题。 顶: 586踩: 17
评论专区