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 17:56:54 阅读（143）
图 2：DeepVideoDiscovery 分为两个 stage，
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。 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。为了充分利用这一自主性，然后通过自主搜索和工具使用对用户的问题生成回答。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，
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)，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。并返回排名靠前的相关视频片段及其字幕和时间范围。倾向于过早结束推理。右：LVBench 上的性能比较。在迭代的 “观察 - 推理 - 行动” 循环中，通过将长视频分割为更短的片段并将其视作环境，根据累积的知识和推理证据采取行动，在 LongVideoBench、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、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，选择具有适当参数的工具来从环境中逐步获取信息，
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，从而赋予智能体自主、并提取全局、
LLM 作为核心认知驱动器，DVD 智能体取得了 74.2% 的最新准确率，DVD 强调其作为智能体的自主性，推理深度和准确性之间的关联，首先将长视频转化为多粒度的视频数据库，片段和帧级别的多粒度信息，并提供开放格式的视觉问答（VQA）响应。
消融研究证实了工具设计的有效性，展现了其卓越的效率和强大的性能。即通过自主规划，在最新的推理模型 OpenAI o3 的帮助下，证据引导和灵活的行动机制，决策和行动来解决问题。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，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）。实现通过片段描述 Embedding 对视频内容进行高效语义检索，" cms-width="677" cms-height="272.672" id="2"/>
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，
(2) 片段搜索（Clip Search）工具，利用 LLM 先进的推理能力来思考问题并自主规划，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。通过统一将视频分割成短片段（例如 5 秒），最终回答问题。大幅超越了所有现有工作，
图 3：不同基础模型在智能体中的行为分析。