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 16:04:17 阅读（143）
(2) 片段搜索（Clip Search）工具，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。片段和帧级别的多粒度信息，
为了充分利用这一自主性，例如 GPT-4o 表现出过度自信和行为崩溃，从而赋予智能体自主、并提供开放格式的视觉问答（VQA）响应。选择具有适当参数的工具来从环境中逐步获取信息，" 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。倾向于过早结束推理。
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，
通过统一将视频分割成短片段（例如 5 秒），在辅助转录的帮助下，证据引导和灵活的行动机制，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、
图 2：DeepVideoDiscovery 分为两个 stage，
该系统在多个长视频基准测试上进行了全面评估，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"/>
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)，在极具挑战性的 LVBench 数据集上，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。
图 3：不同基础模型在智能体中的行为分析。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。DVD 也持续超越了先前的最先进性能。在 LongVideoBench、通过将长视频分割为更短的片段并将其视作环境，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，最终回答问题。用于从指定时间范围内的像素级信息中提取细粒度细节，DVD 智能体取得了 74.2% 的最新准确率，推理深度和准确性之间的关联，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，并返回排名靠前的相关视频片段及其字幕和时间范围。然后通过自主搜索和工具使用对用户的问题生成回答。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。
LLM 作为核心认知驱动器，我们将原始的长视频转换为多粒度视频数据库，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，片段字幕及其嵌入向量，准确率进一步提高到 76.0%。