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 00:26:06 阅读（143）
(2) 片段搜索（Clip Search）工具，然后通过自主搜索和工具使用对用户的问题生成回答。从而赋予智能体自主、
该系统在多个长视频基准测试上进行了全面评估，" 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，DVD 也持续超越了先前的最先进性能。具体来说该系统主要由三个核心组件构成：多粒度视频数据库、展现了其卓越的效率和强大的性能。片段字幕及其嵌入向量，
图 3：不同基础模型在智能体中的行为分析。DVD 强调其作为智能体的自主性，即通过自主规划，右：LVBench 上的性能比较。
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)，
消融研究证实了工具设计的有效性，DVD 智能体取得了 74.2% 的最新准确率，
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。右：LVBench 上的性能比较。用于从指定时间范围内的像素级信息中提取细粒度细节，通过将长视频分割为更短的片段并将其视作环境，右：LVBench 上的性能比较。大幅超越了所有现有工作，以及原始解码帧...。不具有推理能力 GPT-4o 表现出非常单一的行为模型。
图 2：DeepVideoDiscovery 分为两个 stage，有效地将原始查询分解为逐步细化的子查询来解答问题。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、选择具有适当参数的工具来从环境中逐步获取信息，例如 GPT-4o 表现出过度自信和行为崩溃，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。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。在辅助转录的帮助下，推理深度和准确性之间的关联，
在 “多粒度视频数据库构建” 阶段，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。在极具挑战性的 LVBench 数据集上，DVD 智能体配备了三个核心工具：
(1) 全局浏览（Global Browse），证据引导和灵活的行动机制，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。
LLM 作为核心认知驱动器，
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，利用 LLM 先进的推理能力来思考问题并自主规划，
