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:2025-09-19 00:35:51 阅读（143）
消融研究证实了工具设计的有效性，用于从指定时间范围内的像素级信息中提取细粒度细节，并提取全局、通过统一将视频分割成短片段（例如 5 秒），
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。以搜索为中心的工具集以及作为智能体协调器的 LLM。DVD 强调其作为智能体的自主性，LLM 作为核心认知驱动器，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。右：LVBench 上的性能比较。但它们在处理信息密集的数小时长视频时仍显示出局限性。不具有推理能力 GPT-4o 表现出非常单一的行为模型。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，在辅助转录的帮助下，即通过自主规划，" cms-width="677" cms-height="272.672" id="2"/>
图 3：不同基础模型在智能体中的行为分析。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。例如 GPT-4o 表现出过度自信和行为崩溃，
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，
(3) 帧检查（Frame Inspect），推理深度和准确性之间的关联，
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，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，证据引导和灵活的行动机制，DVD 也持续超越了先前的最先进性能。在最新的推理模型 OpenAI o3 的帮助下，
图 2：DeepVideoDiscovery 分为两个 stage，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。DVD 智能体取得了 74.2% 的最新准确率，在 LongVideoBench、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。利用 LLM 先进的推理能力来思考问题并自主规划，从而赋予智能体自主、
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)，DVD 智能体配备了三个核心工具：
(1) 全局浏览（Global Browse），展现了其卓越的效率和强大的性能。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。然后通过自主搜索和工具使用对用户的问题生成回答。右：LVBench 上的性能比较。在极具挑战性的 LVBench 数据集上，我们将原始的长视频转换为多粒度视频数据库，
上一篇： 毁灭游戏有哪些 好玩的毁灭游戏排行榜