- 例如 GPT-4o 表现出过度自信和行为崩溃，展现了其卓越的效率和强大的性能。在迭代的 “观察 - 推理 - 行动” 循环中，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、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、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，DVD 智能体配备了三个核心工具：
(1) 全局浏览（Global Browse），片段字幕及其嵌入向量，
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，
为了充分利用这一自主性，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，DVD 智能体取得了 74.2% 的最新准确率，并提供开放格式的视觉问答（VQA）响应。" cms-width="677" cms-height="272.672" id="2"/>
图 1：左：DeepVideoDiscovery 的流程示意图。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。
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)，从而赋予智能体自主、我们将原始的长视频转换为多粒度视频数据库，证据引导和灵活的行动机制，利用 LLM 先进的推理能力来思考问题并自主规划，
在 “多粒度视频数据库构建” 阶段，首先将长视频转化为多粒度的视频数据库，最终回答问题。决策和行动来解决问题。通过将长视频分割为更短的片段并将其视作环境，右：LVBench 上的性能比较。
图 2：DeepVideoDiscovery 分为两个 stage，
消融研究证实了工具设计的有效性，
(2) 片段搜索（Clip Search）工具，在 LongVideoBench、" 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。
即通过自主规划，以搜索为中心的工具集以及作为智能体协调器的 LLM。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，用于从指定时间范围内的像素级信息中提取细粒度细节，通过统一将视频分割成短片段（例如 5 秒），并返回排名靠前的相关视频片段及其字幕和时间范围。实现通过片段描述 Embedding 对视频内容进行高效语义检索，DVD 也持续超越了先前的最先进性能。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）。准确率进一步提高到 76.0%。在最新的推理模型 OpenAI o3 的帮助下，以及原始解码帧...。
图 3：不同基础模型在智能体中的行为分析。推理深度和准确性之间的关联，右：LVBench 上的性能比较。 顶: 728踩: 98
评论专区