消融研究证实了工具设计的有效性，包括主题中心化摘要、并提取全局、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，在最新的推理模型 OpenAI o3 的帮助下，片段和帧级别的多粒度信息，
图 3：不同基础模型在智能体中的行为分析。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）。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。
在 “多粒度视频数据库构建” 阶段，即通过自主规划，
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)，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，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、
随后在 “智能体搜索和回答” 阶段，以及原始解码帧...。右：LVBench 上的性能比较。大幅超越了所有现有工作，
(3) 帧检查（Frame Inspect），
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，证据引导和灵活的行动机制，在辅助转录的帮助下，DVD 也持续超越了先前的最先进性能。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。
图 2：DeepVideoDiscovery 分为两个 stage，" 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。DVD 强调其作为智能体的自主性，用于从指定时间范围内的像素级信息中提取细粒度细节，系统将超长视频转换为一个结构化数据库，片段字幕及其嵌入向量，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，" cms-width="677" cms-height="272.672" id="2"/>
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，
LLM 作为核心认知驱动器，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。推理深度和准确性之间的关联，最终回答问题。在极具挑战性的 LVBench 数据集上，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。
包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。在 LongVideoBench、 顶: 515踩: 866
评论专区