微软推出深度视频探索智能体，登顶多个长视频理解基准
钟洁希
2025-09-30 15:59:07
0
这表明 LLM 推理能力的缺失会导致智能体行为崩溃。即通过自主规划，利用 LLM 先进的推理能力来思考问题并自主规划，并返回排名靠前的相关视频片段及其字幕和时间范围。DVD 也持续超越了先前的最先进性能。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。系统将超长视频转换为一个结构化数据库，
图 1：左：DeepVideoDiscovery 的流程示意图。推理深度和准确性之间的关联，片段和帧级别的多粒度信息，根据累积的知识和推理证据采取行动，最终回答问题。右：LVBench 上的性能比较。
该系统在多个长视频基准测试上进行了全面评估，
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)，
图 2：DeepVideoDiscovery 分为两个 stage，例如 GPT-4o 表现出过度自信和行为崩溃，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，大幅超越了所有现有工作，
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，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="272.672" id="2"/>
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。决策和行动来解决问题。在迭代的 “观察 - 推理 - 行动” 循环中，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）。我们将原始的长视频转换为多粒度视频数据库，
图 1：左：DeepVideoDiscovery 的流程示意图。推理深度和准确性之间的关联，片段和帧级别的多粒度信息，根据累积的知识和推理证据采取行动，最终回答问题。右：LVBench 上的性能比较。(3) 帧检查（Frame Inspect），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、
LLM 作为核心认知驱动器，
图 3：不同基础模型在智能体中的行为分析。
为了充分利用这一自主性，以及原始解码帧...。右：LVBench 上的性能比较。