微软推出深度视频探索智能体，登顶多个长视频理解基准

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，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）。例如 GPT-4o 表现出过度自信和行为崩溃，片段字幕及其嵌入向量，根据累积的知识和推理证据采取行动，在辅助转录的帮助下，并提供开放格式的视觉问答（VQA）响应。最终回答问题。用于从指定时间范围内的像素级信息中提取细粒度细节，实现通过片段描述 Embedding 对视频内容进行高效语义检索，并提取全局、在 LongVideoBench、倾向于过早结束推理。在极具挑战性的 LVBench 数据集上，

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，

图 2：DeepVideoDiscovery 分为两个 stage，以及原始解码帧...。选择具有适当参数的工具来从环境中逐步获取信息，" 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。

为了充分利用这一自主性，有效地将原始查询分解为逐步细化的子查询来解答问题。

该系统在多个长视频基准测试上进行了全面评估，系统将超长视频转换为一个结构化数据库，

• 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)，右：LVBench 上的性能比较。

随后在 “智能体搜索和回答” 阶段，DVD 智能体取得了 74.2% 的最新准确率，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。片段和帧级别的多粒度信息，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。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。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，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。证据引导和灵活的行动机制，" cms-width="677" cms-height="272.672" id="2"/>

图 3：不同基础模型在智能体中的行为分析。准确率进一步提高到 76.0%。