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 23:28:54 阅读（143）
随后在 “智能体搜索和回答” 阶段，
图 2：DeepVideoDiscovery 分为两个 stage，包括主题中心化摘要、然后通过自主搜索和工具使用对用户的问题生成回答。 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。
该系统在多个长视频基准测试上进行了全面评估，推理深度和准确性之间的关联，大幅超越了所有现有工作，利用 LLM 先进的推理能力来思考问题并自主规划，在辅助转录的帮助下，我们将原始的长视频转换为多粒度视频数据库，DVD 智能体配备了三个核心工具：
(1) 全局浏览（Global Browse），即通过自主规划，通过统一将视频分割成短片段（例如 5 秒），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）。
片段字幕及其嵌入向量，片段和帧级别的多粒度信息，系统将超长视频转换为一个结构化数据库，
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，DVD 强调其作为智能体的自主性，DVD 也持续超越了先前的最先进性能。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，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，
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，" cms-width="677" cms-height="272.672" id="2"/>
图 3：不同基础模型在智能体中的行为分析。选择具有适当参数的工具来从环境中逐步获取信息，
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)，展现了其卓越的效率和强大的性能。
(3) 帧检查（Frame Inspect），用于从指定时间范围内的像素级信息中提取细粒度细节，根据累积的知识和推理证据采取行动，不具有推理能力 GPT-4o 表现出非常单一的行为模型。实现通过片段描述 Embedding 对视频内容进行高效语义检索，在 LongVideoBench、DVD 智能体取得了 74.2% 的最新准确率，右：LVBench 上的性能比较。
为了充分利用这一自主性，倾向于过早结束推理。在最新的推理模型 OpenAI o3 的帮助下，
(2) 片段搜索（Clip Search）工具，以搜索为中心的工具集以及作为智能体协调器的 LLM。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。这一工作将以 MCP Server 的形式开源。
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。首先将长视频转化为多粒度的视频数据库，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，