इस प्रोजेक्ट के बारे में

डीप वीडियो डिस्कवरी (DVD) लंबे फॉर्म वाले वीडियो बोध के लिए एजेंटिक खोज और टूल उपयोग पर एक शोध पत्र का आधिकारिक कोड रिलीज है। प्रणाली खंडित क्लिप को अन्वेषण वातावरण मानकर बहुत लंबे वीडियो के बारे में जटिल सवालों के जवाब देने के लिए डिज़ाइन की गई है। एक LLM-संचालित एजेंट अपने दृष्टिकोण की योजना बनाता है, वीडियो के प्रासंगिक हिस्सों की जांच के लिए बहु-ग्रैन्युलैरिटी टूल चुनता है, अवलोकनों को सारांशित करता है, उन पर चिंतन करता है और अंतिम उत्तर बनाता है। रिपॉजिटरी Python कार्यान्वयन प्रदान करती है, जिसमें pip के माध्यम से निर्भरता स्थापना और config.py में कॉन्फ़िगरेशन है। शामिल local_run.py उदाहरण YouTube URL और प्राकृतिक-भाषा का प्रश्न स्वीकार करता है। यह OpenAI और Azure OpenAI API, Gradio डेमो, स्वचालित सबटाइटल, और केवल सबटाइटल का उपयोग करने वाले lite_mode का भी समर्थन करता है, जिसे परियोजना YouTube पॉडकास्ट विश्लेषण के लिए उपयुक्त बताती है। पुनरुत्पादन और मूल्यांकन के लिए, परियोजना में LVBench के लिए REPRODUCE.md और LVBench, Video-MME, LongVideoBench, और EgoSchema के लिए कैप्शन डेटा के लिंक शामिल हैं, जिसमें ट्रांस्क्रिप्ट वाला LVBench संस्करण भी शामिल है। README OpenAI o3 का उपयोग करके कई लंबे-वीडियो बेंचमार्क पर स्टेट-ऑफ-द-आर्ट परिणामों की रिपोर्ट करता है। रिपॉजिटरी में सूचीबद्ध नियोजित कार्य में MCP सर्वर और मूल्यांकन ट्रैजेक्ट्री डेटा जारी करना शामिल है। कोड MIT लाइसेंस के तहत जारी किया गया है।