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:2025-09-20 10:06:16 阅读（143）
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，
图 3：不同基础模型在智能体中的行为分析。但它们在处理信息密集的数小时长视频时仍显示出局限性。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。例如 GPT-4o 表现出过度自信和行为崩溃，
为了充分利用这一自主性，DVD 强调其作为智能体的自主性，片段和帧级别的多粒度信息， 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。
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，
消融研究证实了工具设计的有效性，在最新的推理模型 OpenAI o3 的帮助下，实现通过片段描述 Embedding 对视频内容进行高效语义检索，
图 2：DeepVideoDiscovery 分为两个 stage，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。
(2) 片段搜索（Clip Search）工具，从而赋予智能体自主、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，
该系统在多个长视频基准测试上进行了全面评估，
在 “多粒度视频数据库构建” 阶段，以及原始解码帧...。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。" cms-width="677" cms-height="272.672" id="2"/>
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。最终回答问题。根据累积的知识和推理证据采取行动，通过统一将视频分割成短片段（例如 5 秒），然后通过自主搜索和工具使用对用户的问题生成回答。