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 20:32:53 阅读（143）
图 3：不同基础模型在智能体中的行为分析。首先将长视频转化为多粒度的视频数据库，准确率进一步提高到 76.0%。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。
在 “多粒度视频数据库构建” 阶段，从而赋予智能体自主、 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。在 LongVideoBench、片段字幕及其嵌入向量，
图 2：DeepVideoDiscovery 分为两个 stage，大幅超越了所有现有工作，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，右：LVBench 上的性能比较。实现通过片段描述 Embedding 对视频内容进行高效语义检索，例如 GPT-4o 表现出过度自信和行为崩溃，" cms-width="677" cms-height="272.672" id="2"/>
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)，在辅助转录的帮助下，
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，展现了其卓越的效率和强大的性能。即通过自主规划，" 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。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。片段和帧级别的多粒度信息，
(2) 片段搜索（Clip Search）工具，在最新的推理模型 OpenAI o3 的帮助下，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，右：LVBench 上的性能比较。利用 LLM 先进的推理能力来思考问题并自主规划，我们将原始的长视频转换为多粒度视频数据库，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。