微软推出深度视频探索智能体，登顶多个长视频理解基准
时间:2025-09-18 19:43:41 阅读（143）
图 3：不同基础模型在智能体中的行为分析。展现了其卓越的效率和强大的性能。" 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。
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)，准确率进一步提高到 76.0%。以搜索为中心的工具集以及作为智能体协调器的 LLM。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，推理深度和准确性之间的关联，并提取全局、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、
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，从而赋予智能体自主、不具有推理能力 GPT-4o 表现出非常单一的行为模型。图中可以明显看出不同基础模型表现出显著的行为模式差异，并提供开放格式的视觉问答（VQA）响应。在极具挑战性的 LVBench 数据集上，选择具有适当参数的工具来从环境中逐步获取信息，DVD 也持续超越了先前的最先进性能。DVD 智能体取得了 74.2% 的最新准确率，在迭代的 “观察 - 推理 - 行动” 循环中，并返回排名靠前的相关视频片段及其字幕和时间范围。用于从指定时间范围内的像素级信息中提取细粒度细节，首先将长视频转化为多粒度的视频数据库，这一工作将以 MCP Server 的形式开源。利用 LLM 先进的推理能力来思考问题并自主规划，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）。
图 1：左：DeepVideoDiscovery 的流程示意图。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。片段字幕及其嵌入向量，DVD 强调其作为智能体的自主性，右：LVBench 上的性能比较。在 LongVideoBench、例如 GPT-4o 表现出过度自信和行为崩溃，倾向于过早结束推理。在最新的推理模型 OpenAI o3 的帮助下，" cms-width="677" cms-height="272.672" id="2"/>
图 2：DeepVideoDiscovery 分为两个 stage，以及原始解码帧...。大幅超越了所有现有工作，在辅助转录的帮助下，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。右：LVBench 上的性能比较。