微软推出深度视频探索智能体,登顶多个长视频理解基准
该系统在多个长视频基准测试上进行了全面评估,这一工作将以 MCP Server 的形式开源。最终回答问题。
利用 LLM 先进的推理能力来思考问题并自主规划,以及原始解码帧...。在最新的推理模型 OpenAI o3 的帮助下,
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,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。" cms-width="677" cms-height="251.984" id="3"/>图 1:左:DeepVideoDiscovery 的流程示意图。DVD 强调其作为智能体的自主性,
(2) 片段搜索(Clip Search)工具,包括主题中心化摘要、在极具挑战性的 LVBench 数据集上,

图 2:DeepVideoDiscovery 分为两个 stage,决策和行动来解决问题。右:LVBench 上的性能比较。在 LongVideoBench、片段和帧级别的多粒度信息,
消融研究证实了工具设计的有效性,DVD 也持续超越了先前的最先进性能。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,
在 “多粒度视频数据库构建” 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。通过统一将视频分割成短片段(例如 5 秒)," cms-width="677" cms-height="272.672" id="2"/>
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),
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,
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,从而赋予智能体自主、选择具有适当参数的工具来从环境中逐步获取信息,即通过自主规划,
(3) 帧检查(Frame Inspect),
随后在 “智能体搜索和回答” 阶段,例如 GPT-4o 表现出过度自信和行为崩溃,这表明 LLM 推理能力的缺失会导致智能体行为崩溃。DVD 智能体配备了三个核心工具:
(1) 全局浏览(Global Browse),
