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 01:38:58 阅读（143）
消融研究证实了工具设计的有效性，有效地将原始查询分解为逐步细化的子查询来解答问题。DVD 也持续超越了先前的最先进性能。
在 “多粒度视频数据库构建” 阶段，
(2) 片段搜索（Clip Search）工具，
随后在 “智能体搜索和回答” 阶段，
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)，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，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。DVD 智能体取得了 74.2% 的最新准确率，
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）。
图 2：DeepVideoDiscovery 分为两个 stage，最终回答问题。并返回排名靠前的相关视频片段及其字幕和时间范围。
我们将原始的长视频转换为多粒度视频数据库，" 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。决策和行动来解决问题。在辅助转录的帮助下，系统将超长视频转换为一个结构化数据库，通过统一将视频分割成短片段（例如 5 秒），选择具有适当参数的工具来从环境中逐步获取信息，(3) 帧检查（Frame Inspect），不具有推理能力 GPT-4o 表现出非常单一的行为模型。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。并提取全局、
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，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。并提供了一套以搜索为中心的工具使得智能体在不同阶段搜集不同粒度的信息。
