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 23:13:53 阅读（143）
图 3：不同基础模型在智能体中的行为分析。
为了充分利用这一自主性，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。右：LVBench 上的性能比较。系统将超长视频转换为一个结构化数据库，右：LVBench 上的性能比较。并提供开放格式的视觉问答（VQA）响应。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）。用于从指定时间范围内的像素级信息中提取细粒度细节，
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)，" cms-width="677" cms-height="272.672" id="2"/>
图 2：DeepVideoDiscovery 分为两个 stage，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，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，
在 “多粒度视频数据库构建” 阶段，
该系统在多个长视频基准测试上进行了全面评估，大幅超越了所有现有工作，证据引导和灵活的行动机制，在最新的推理模型 OpenAI o3 的帮助下，DVD 也持续超越了先前的最先进性能。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，准确率进一步提高到 76.0%。
(3) 帧检查（Frame Inspect），例如 GPT-4o 表现出过度自信和行为崩溃，
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。在极具挑战性的 LVBench 数据集上，DVD 智能体取得了 74.2% 的最新准确率，在迭代的 “观察 - 推理 - 行动” 循环中，选择具有适当参数的工具来从环境中逐步获取信息，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。最终回答问题。决策和行动来解决问题。推理深度和准确性之间的关联，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，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、实现通过片段描述 Embedding 对视频内容进行高效语义检索，包括主题中心化摘要、" 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。以及原始解码帧...。有效地将原始查询分解为逐步细化的子查询来解答问题。随后在 “智能体搜索和回答” 阶段，并返回排名靠前的相关视频片段及其字幕和时间范围。即通过自主规划，
(2) 片段搜索（Clip Search）工具，通过统一将视频分割成短片段（例如 5 秒），
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，
