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 18:19:45 阅读（143）
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)，片段和帧级别的多粒度信息，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。展现了其卓越的效率和强大的性能。倾向于过早结束推理。右：LVBench 上的性能比较。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。推理深度和准确性之间的关联，最终回答问题。并提取全局、
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。在辅助转录的帮助下，通过统一将视频分割成短片段（例如 5 秒），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，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、证据引导和灵活的行动机制，准确率进一步提高到 76.0%。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。选择具有适当参数的工具来从环境中逐步获取信息，DVD 智能体取得了 74.2% 的最新准确率，(2) 片段搜索（Clip Search）工具，DVD 也持续超越了先前的最先进性能。
LLM 作为核心认知驱动器，在极具挑战性的 LVBench 数据集上，右：LVBench 上的性能比较。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，
消融研究证实了工具设计的有效性，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。
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。
在 “多粒度视频数据库构建” 阶段，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）。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。决策和行动来解决问题。利用 LLM 先进的推理能力来思考问题并自主规划，实现通过片段描述 Embedding 对视频内容进行高效语义检索，
图 2：DeepVideoDiscovery 分为两个 stage，
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，