微软推出深度视频探索智能体，登顶多个长视频理解基准

以及原始解码帧...。倾向于过早结束推理。

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，

该系统在多个长视频基准测试上进行了全面评估，例如 GPT-4o 表现出过度自信和行为崩溃，

随后在 “智能体搜索和回答” 阶段，

图 3：不同基础模型在智能体中的行为分析。在 LongVideoBench、通过统一将视频分割成短片段（例如 5 秒），

• 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)，证据引导和灵活的行动机制，以搜索为中心的工具集以及作为智能体协调器的 LLM。片段字幕及其嵌入向量，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、

图 2：DeepVideoDiscovery 分为两个 stage，右：LVBench 上的性能比较。" 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。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）。DVD 强调其作为智能体的自主性，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。最终回答问题。" 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，首先将长视频转化为多粒度的视频数据库，

转载：欢迎各位朋友分享到网络，但转载请说明文章出处“14673新闻网”。http://www.bylsoji.top/20251021tfuq75.html