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 11:12:00 阅读（143）
消融研究证实了工具设计的有效性，
随后在 “智能体搜索和回答” 阶段，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）。" 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。这一工作将以 MCP Server 的形式开源。决策和行动来解决问题。
(2) 片段搜索（Clip Search）工具，DVD 智能体配备了三个核心工具：
(1) 全局浏览（Global Browse），有效地将原始查询分解为逐步细化的子查询来解答问题。用于从指定时间范围内的像素级信息中提取细粒度细节，
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，准确率进一步提高到 76.0%。最终回答问题。实现通过片段描述 Embedding 对视频内容进行高效语义检索，
在 “多粒度视频数据库构建” 阶段，
图 2：DeepVideoDiscovery 分为两个 stage，系统将超长视频转换为一个结构化数据库，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。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。
LLM 作为核心认知驱动器，
图 3：不同基础模型在智能体中的行为分析。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。" cms-width="677" cms-height="272.672" id="2"/>
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)，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。
为了充分利用这一自主性，片段字幕及其嵌入向量，DVD 强调其作为智能体的自主性，片段和帧级别的多粒度信息，
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，