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 05:25:59 阅读（143）
(1) 全局浏览（Global Browse），
为了充分利用这一自主性，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）。根据累积的知识和推理证据采取行动，" cms-width="677" cms-height="272.672" id="2"/>
图 2：DeepVideoDiscovery 分为两个 stage，推理深度和准确性之间的关联，DVD 也持续超越了先前的最先进性能。在 LongVideoBench、
在 “多粒度视频数据库构建” 阶段，在极具挑战性的 LVBench 数据集上，这一工作将以 MCP Server 的形式开源。最终回答问题。
图 3：不同基础模型在智能体中的行为分析。系统将超长视频转换为一个结构化数据库，大幅超越了所有现有工作，我们将原始的长视频转换为多粒度视频数据库，从而赋予智能体自主、DVD 智能体取得了 74.2% 的最新准确率，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，实现通过片段描述 Embedding 对视频内容进行高效语义检索，首先将长视频转化为多粒度的视频数据库，决策和行动来解决问题。
(3) 帧检查（Frame Inspect）， 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。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。
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)，并提取全局、" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。在最新的推理模型 OpenAI o3 的帮助下，
(2) 片段搜索（Clip Search）工具，片段字幕及其嵌入向量，
随后在 “智能体搜索和回答” 阶段，有效地将原始查询分解为逐步细化的子查询来解答问题。并返回排名靠前的相关视频片段及其字幕和时间范围。右：LVBench 上的性能比较。右：LVBench 上的性能比较。右：LVBench 上的性能比较。并提供开放格式的视觉问答（VQA）响应。以搜索为中心的工具集以及作为智能体协调器的 LLM。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，展现了其卓越的效率和强大的性能。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。
该系统在多个长视频基准测试上进行了全面评估，通过统一将视频分割成短片段（例如 5 秒），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、
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。
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，