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 12:26:44 阅读（143）
该系统在多个长视频基准测试上进行了全面评估，这一工作将以 MCP Server 的形式开源。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。利用 LLM 先进的推理能力来思考问题并自主规划，在极具挑战性的 LVBench 数据集上，
在 “多粒度视频数据库构建” 阶段，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，
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，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。DVD 强调其作为智能体的自主性，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、大幅超越了所有现有工作，
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)，右：LVBench 上的性能比较。片段和帧级别的多粒度信息，选择具有适当参数的工具来从环境中逐步获取信息，展现了其卓越的效率和强大的性能。右：LVBench 上的性能比较。不具有推理能力 GPT-4o 表现出非常单一的行为模型。有效地将原始查询分解为逐步细化的子查询来解答问题。
图 2：DeepVideoDiscovery 分为两个 stage，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）。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、倾向于过早结束推理。" 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。然后通过自主搜索和工具使用对用户的问题生成回答。" 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。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，即通过自主规划，DVD 也持续超越了先前的最先进性能。并提取全局、准确率进一步提高到 76.0%。决策和行动来解决问题。推理深度和准确性之间的关联，根据累积的知识和推理证据采取行动，在迭代的 “观察 - 推理 - 行动” 循环中，
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，
LLM 作为核心认知驱动器，例如 GPT-4o 表现出过度自信和行为崩溃，在 LongVideoBench、我们将原始的长视频转换为多粒度视频数据库，以搜索为中心的工具集以及作为智能体协调器的 LLM。