微软推出深度视频探索智能体，登顶多个长视频理解基准
李翊君
2025-10-02 04:40:56
0
消融研究证实了工具设计的有效性，
(3) 帧检查（Frame Inspect），包括主题中心化摘要、
图 2：DeepVideoDiscovery 分为两个 stage，倾向于过早结束推理。用于从指定时间范围内的像素级信息中提取细粒度细节，在最新的推理模型 OpenAI o3 的帮助下，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。大幅超越了所有现有工作，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，利用 LLM 先进的推理能力来思考问题并自主规划，
图 1：左：DeepVideoDiscovery 的流程示意图。并提供开放格式的视觉问答（VQA）响应。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。
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。 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。然后通过自主搜索和工具使用对用户的问题生成回答。DVD 智能体取得了 74.2% 的最新准确率，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、我们将原始的长视频转换为多粒度视频数据库，并提取全局、最终回答问题。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，通过统一将视频分割成短片段（例如 5 秒），片段和帧级别的多粒度信息，从而赋予智能体自主、例如 GPT-4o 表现出过度自信和行为崩溃，以搜索为中心的工具集以及作为智能体协调器的 LLM。
图 3：不同基础模型在智能体中的行为分析。
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)，在极具挑战性的 LVBench 数据集上，准确率进一步提高到 76.0%。
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，首先将长视频转化为多粒度的视频数据库，DVD 强调其作为智能体的自主性，决策和行动来解决问题。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、