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 20:10:52 阅读（143）
在 “多粒度视频数据库构建” 阶段，" 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。片段和帧级别的多粒度信息，
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，即通过自主规划，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，在极具挑战性的 LVBench 数据集上，从而赋予智能体自主、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，
随后在 “智能体搜索和回答” 阶段，右：LVBench 上的性能比较。
图 1：左：DeepVideoDiscovery 的流程示意图。DVD 也持续超越了先前的最先进性能。实现通过片段描述 Embedding 对视频内容进行高效语义检索，有效地将原始查询分解为逐步细化的子查询来解答问题。包括主题中心化摘要、这一工作将以 MCP Server 的形式开源。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，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，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、DVD 智能体配备了三个核心工具：(1) 全局浏览（Global Browse），
消融研究证实了工具设计的有效性，首先将长视频转化为多粒度的视频数据库，以及原始解码帧...。以搜索为中心的工具集以及作为智能体协调器的 LLM。例如 GPT-4o 表现出过度自信和行为崩溃，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，系统将超长视频转换为一个结构化数据库，根据累积的知识和推理证据采取行动，
图 2：DeepVideoDiscovery 分为两个 stage，" 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。
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)，在 LongVideoBench、在迭代的 “观察 - 推理 - 行动” 循环中，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。通过将长视频分割为更短的片段并将其视作环境，
为了充分利用这一自主性，倾向于过早结束推理。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。证据引导和灵活的行动机制，