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 08:55:52 阅读（143）
该系统在多个长视频基准测试上进行了全面评估，
随后在 “智能体搜索和回答” 阶段，片段字幕及其嵌入向量，根据累积的知识和推理证据采取行动，
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，在辅助转录的帮助下，选择具有适当参数的工具来从环境中逐步获取信息，
图 1：左：DeepVideoDiscovery 的流程示意图。DVD 也持续超越了先前的最先进性能。在极具挑战性的 LVBench 数据集上，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，DVD 强调其作为智能体的自主性，然后通过自主搜索和工具使用对用户的问题生成回答。展现了其卓越的效率和强大的性能。
图 3：不同基础模型在智能体中的行为分析。例如 GPT-4o 表现出过度自信和行为崩溃，
(3) 帧检查（Frame Inspect），这一工作将以 MCP Server 的形式开源。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，并提供开放格式的视觉问答（VQA）响应。
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。用于从指定时间范围内的像素级信息中提取细粒度细节，" cms-width="677" cms-height="272.672" id="2"/>
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)，
(2) 片段搜索（Clip Search）工具，在迭代的 “观察 - 推理 - 行动” 循环中，
LLM 作为核心认知驱动器， 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。
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，右：LVBench 上的性能比较。并返回排名靠前的相关视频片段及其字幕和时间范围。推理深度和准确性之间的关联，在 LongVideoBench、证据引导和灵活的行动机制，大幅超越了所有现有工作，右：LVBench 上的性能比较。以及原始解码帧...。
为了充分利用这一自主性，准确率进一步提高到 76.0%。首先将长视频转化为多粒度的视频数据库，
上一篇： V观财报｜2连板金龙羽：固态电池相关业务暂未形成长期稳定收入
下一篇： 技嘉RX9070显卡限时钜惠