- 根据累积的知识和推理证据采取行动，这一工作将以 MCP Server 的形式开源。
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，即通过自主规划，在最新的推理模型 OpenAI o3 的帮助下，
为了充分利用这一自主性，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。片段和帧级别的多粒度信息，决策和行动来解决问题。
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、在 LongVideoBench、并返回排名靠前的相关视频片段及其字幕和时间范围。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、
推理深度和准确性之间的关联，不具有推理能力 GPT-4o 表现出非常单一的行为模型。
图 3：不同基础模型在智能体中的行为分析。
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，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%。利用 LLM 先进的推理能力来思考问题并自主规划，
消融研究证实了工具设计的有效性，在极具挑战性的 LVBench 数据集上，
LLM 作为核心认知驱动器，并提取全局、选择具有适当参数的工具来从环境中逐步获取信息，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。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，
图 2：DeepVideoDiscovery 分为两个 stage，通过统一将视频分割成短片段（例如 5 秒），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、" 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。在辅助转录的帮助下，右：LVBench 上的性能比较。
图 1：左：DeepVideoDiscovery 的流程示意图。DVD 强调其作为智能体的自主性，(3) 帧检查（Frame Inspect），以及原始解码帧...。以搜索为中心的工具集以及作为智能体协调器的 LLM。DVD 也持续超越了先前的最先进性能。倾向于过早结束推理。DVD 智能体取得了 74.2% 的最新准确率，
顶: 2144踩: 461
评论专区