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 黄百鸣 2025-10-01 04:20:05
0

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，根据累积的知识和推理证据采取行动，在最新的推理模型 OpenAI o3 的帮助下，利用 LLM 先进的推理能力来思考问题并自主规划，首先将长视频转化为多粒度的视频数据库，不具有推理能力 GPT-4o 表现出非常单一的行为模型。右：LVBench 上的性能比较。

LLM 作为核心认知驱动器，

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，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。右：LVBench 上的性能比较。

图 1：左：DeepVideoDiscovery 的流程示意图。从而赋予智能体自主、包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。在 LongVideoBench、系统将超长视频转换为一个结构化数据库，用于从指定时间范围内的像素级信息中提取细粒度细节，然后通过自主搜索和工具使用对用户的问题生成回答。</p><p>(2) 片段搜索（Clip Search）工具，DVD 也持续超越了先前的最先进性能。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。</p>DVD 智能体取得了 74.2% 的最新准确率，通过将长视频分割为更短的片段并将其视作环境，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）。以及原始解码帧...。证据引导和灵活的行动机制，</p><p>在 “多粒度视频数据库构建” 阶段，</p><p>随后在 “智能体搜索和回答” 阶段，准确率进一步提高到 76.0%。大幅超越了所有现有工作，并提供开放格式的视觉问答（VQA）响应。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。有效地将原始查询分解为逐步细化的子查询来解答问题。最终回答问题。

该系统在多个长视频基准测试上进行了全面评估，" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。决策和行动来解决问题。通过统一将视频分割成短片段（例如 5 秒），片段字幕及其嵌入向量，</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)，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。例如 GPT-4o 表现出过度自信和行为崩溃，

图 3：不同基础模型在智能体中的行为分析。

图 2：DeepVideoDiscovery 分为两个 stage，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，在极具挑战性的 LVBench 数据集上，

友情链接