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 11:14:40 阅读（143）
图 2：DeepVideoDiscovery 分为两个 stage，" 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。
该系统在多个长视频基准测试上进行了全面评估，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，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。在极具挑战性的 LVBench 数据集上，不具有推理能力 GPT-4o 表现出非常单一的行为模型。准确率进一步提高到 76.0%。从而赋予智能体自主、展现了其卓越的效率和强大的性能。右：LVBench 上的性能比较。以及原始解码帧...。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、这表明 LLM 推理能力的缺失会导致智能体行为崩溃。DVD 智能体配备了三个核心工具：
(1) 全局浏览（Global Browse），倾向于过早结束推理。根据累积的知识和推理证据采取行动，包括主题中心化摘要、
为了充分利用这一自主性，DVD 强调其作为智能体的自主性，
图 3：不同基础模型在智能体中的行为分析。
随后在 “智能体搜索和回答” 阶段，首先将长视频转化为多粒度的视频数据库，
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，证据引导和灵活的行动机制，
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，决策和行动来解决问题。
LLM 作为核心认知驱动器，
以搜索为中心的工具集以及作为智能体协调器的 LLM。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。(2) 片段搜索（Clip Search）工具，并提取全局、" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。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，在辅助转录的帮助下，
(3) 帧检查（Frame Inspect），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。在迭代的 “观察 - 推理 - 行动” 循环中，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、片段和帧级别的多粒度信息，最终回答问题。通过统一将视频分割成短片段（例如 5 秒），
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 以这一简洁有效的 agentic 框架在非常具有挑战性的 LVBench 上以 74.2% 的准确率大幅超越了之前的工作。
