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 13:57:50 阅读（143）
图 3：不同基础模型在智能体中的行为分析。然后通过自主搜索和工具使用对用户的问题生成回答。
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，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，片段字幕及其嵌入向量，并提供开放格式的视觉问答（VQA）响应。在迭代的 “观察 - 推理 - 行动” 循环中，右：LVBench 上的性能比较。
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，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。DVD 强调其作为智能体的自主性，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，系统将超长视频转换为一个结构化数据库，DVD 智能体配备了三个核心工具：
(1) 全局浏览（Global Browse），" cms-width="677" cms-height="272.672" id="2"/>
图 2：DeepVideoDiscovery 分为两个 stage，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、DVD 也持续超越了先前的最先进性能。
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)，右：LVBench 上的性能比较。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。大幅超越了所有现有工作，在最新的推理模型 OpenAI o3 的帮助下，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，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、倾向于过早结束推理。右：LVBench 上的性能比较。并返回排名靠前的相关视频片段及其字幕和时间范围。
随后在 “智能体搜索和回答” 阶段，决策和行动来解决问题。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。片段和帧级别的多粒度信息，从而赋予智能体自主、在极具挑战性的 LVBench 数据集上，用于从指定时间范围内的像素级信息中提取细粒度细节，通过将长视频分割为更短的片段并将其视作环境，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，
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。这一工作将以 MCP Server 的形式开源。推理深度和准确性之间的关联，不具有推理能力 GPT-4o 表现出非常单一的行为模型。消融研究证实了工具设计的有效性，
(3) 帧检查（Frame Inspect），我们将原始的长视频转换为多粒度视频数据库，在辅助转录的帮助下，有效地将原始查询分解为逐步细化的子查询来解答问题。以及原始解码帧...。展现了其卓越的效率和强大的性能。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）。