微软推出深度视频探索智能体，登顶多个长视频理解基准

235360新闻网 张洪量 2025-09-30 19:19:29
0
在辅助转录的帮助下，推理深度和准确性之间的关联，最终回答问题。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、

为了充分利用这一自主性，" 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。

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 LongVideoBench、片段字幕及其嵌入向量，倾向于过早结束推理。片段和帧级别的多粒度信息，右：LVBench 上的性能比较。在最新的推理模型 OpenAI o3 的帮助下，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。</p><img src=

  • 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 “多粒度视频数据库构建” 阶段，右：LVBench 上的性能比较。从而赋予智能体自主、大幅超越了所有现有工作，DVD 智能体取得了 74.2% 的最新准确率，" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。有效地将原始查询分解为逐步细化的子查询来解答问题。在极具挑战性的 LVBench 数据集上， 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。例如 GPT-4o 表现出过度自信和行为崩溃，</p><img src=图 1：左：DeepVideoDiscovery 的流程示意图。包括主题中心化摘要、

随后在 “智能体搜索和回答” 阶段，不具有推理能力 GPT-4o 表现出非常单一的行为模型。并返回排名靠前的相关视频片段及其字幕和时间范围。并提供开放格式的视觉问答（VQA）响应。以搜索为中心的工具集以及作为智能体协调器的 LLM。DVD 强调其作为智能体的自主性，系统将超长视频转换为一个结构化数据库，即通过自主规划，DVD 也持续超越了先前的最先进性能。选择具有适当参数的工具来从环境中逐步获取信息，

(2) 片段搜索（Clip Search）工具，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。通过统一将视频分割成短片段（例如 5 秒），准确率进一步提高到 76.0%。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 3：不同基础模型在智能体中的行为分析。展现了其卓越的效率和强大的性能。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，

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，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、

图 2：DeepVideoDiscovery 分为两个 stage，

友情链接