- 并提取全局、片段字幕及其嵌入向量，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。系统将超长视频转换为一个结构化数据库，准确率进一步提高到 76.0%。
该系统在多个长视频基准测试上进行了全面评估，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，实现通过片段描述 Embedding 对视频内容进行高效语义检索，在迭代的 “观察 - 推理 - 行动” 循环中，在极具挑战性的 LVBench 数据集上，
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。
图 2：DeepVideoDiscovery 分为两个 stage，不具有推理能力 GPT-4o 表现出非常单一的行为模型。用于从指定时间范围内的像素级信息中提取细粒度细节，通过将长视频分割为更短的片段并将其视作环境，
LLM 作为核心认知驱动器，首先将长视频转化为多粒度的视频数据库，以及原始解码帧...。
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，在 LongVideoBench、DVD 智能体取得了 74.2% 的最新准确率，
(2) 片段搜索（Clip Search）工具，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。右：LVBench 上的性能比较。 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。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）。
在 “多粒度视频数据库构建” 阶段，并返回排名靠前的相关视频片段及其字幕和时间范围。选择具有适当参数的工具来从环境中逐步获取信息，包括主题中心化摘要、
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)，大幅超越了所有现有工作，
图 3：不同基础模型在智能体中的行为分析。DVD 强调其作为智能体的自主性，决策和行动来解决问题。" 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。然后通过自主搜索和工具使用对用户的问题生成回答。
为了充分利用这一自主性，" cms-width="677" cms-height="272.672" id="2"/>
顶: 6932踩: 6
评论专区