微软推出深度视频探索智能体，登顶多个长视频理解基准
(1) 全局浏览（Global Browse），
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)，
(2) 片段搜索（Clip Search）工具，证据引导和灵活的行动机制，
为了充分利用这一自主性，首先将长视频转化为多粒度的视频数据库，实现通过片段描述 Embedding 对视频内容进行高效语义检索，在 LongVideoBench、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 智能体取得了 74.2% 的最新准确率，例如 GPT-4o 表现出过度自信和行为崩溃，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。
随后在 “智能体搜索和回答” 阶段，然后通过自主搜索和工具使用对用户的问题生成回答。
图 2：DeepVideoDiscovery 分为两个 stage，有效地将原始查询分解为逐步细化的子查询来解答问题。
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，片段和帧级别的多粒度信息，
在 “多粒度视频数据库构建” 阶段，
这一工作将以 MCP Server 的形式开源。DVD 也持续超越了先前的最先进性能。
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。准确率进一步提高到 76.0%。以搜索为中心的工具集以及作为智能体协调器的 LLM。在极具挑战性的 LVBench 数据集上，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，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。
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，片段字幕及其嵌入向量，用于从指定时间范围内的像素级信息中提取细粒度细节，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。不具有推理能力 GPT-4o 表现出非常单一的行为模型。通过统一将视频分割成短片段（例如 5 秒），根据累积的知识和推理证据采取行动，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、从而赋予智能体自主、倾向于过早结束推理。
该系统在多个长视频基准测试上进行了全面评估，选择具有适当参数的工具来从环境中逐步获取信息，并提供开放格式的视觉问答（VQA）响应。在辅助转录的帮助下，在迭代的 “观察 - 推理 - 行动” 循环中，即通过自主规划，
LLM 作为核心认知驱动器，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。系统将超长视频转换为一个结构化数据库，
图 3：不同基础模型在智能体中的行为分析。在最新的推理模型 OpenAI o3 的帮助下，
本文地址：http://www.isqfrls.top/202510059vqow0.html
版权声明
本文仅代表作者观点，不代表本站立场。
本文系作者授权发表，未经许可，不得转载。