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:2025-09-18 22:46:51 阅读（143）
(3) 帧检查（Frame Inspect），利用 LLM 先进的推理能力来思考问题并自主规划，
在 “多粒度视频数据库构建” 阶段，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，
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，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、
图 3：不同基础模型在智能体中的行为分析。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、以及原始解码帧...。在 LongVideoBench、
消融研究证实了工具设计的有效性，在迭代的 “观察 - 推理 - 行动” 循环中，例如 GPT-4o 表现出过度自信和行为崩溃，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。这一工作将以 MCP Server 的形式开源。通过统一将视频分割成短片段（例如 5 秒），片段和帧级别的多粒度信息， 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。准确率进一步提高到 76.0%。包括主题中心化摘要、并提供开放格式的视觉问答（VQA）响应。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。并返回排名靠前的相关视频片段及其字幕和时间范围。在辅助转录的帮助下，决策和行动来解决问题。实现通过片段描述 Embedding 对视频内容进行高效语义检索，证据引导和灵活的行动机制，系统将超长视频转换为一个结构化数据库，DVD 智能体取得了 74.2% 的最新准确率，用于从指定时间范围内的像素级信息中提取细粒度细节，右：LVBench 上的性能比较。
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。
图 2：DeepVideoDiscovery 分为两个 stage，以搜索为中心的工具集以及作为智能体协调器的 LLM。有效地将原始查询分解为逐步细化的子查询来解答问题。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，
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)，最终回答问题。
(2) 片段搜索（Clip Search）工具，右：LVBench 上的性能比较。
上一篇： vivo X200手机限时特惠3077元