微软推出深度视频探索智能体，登顶多个长视频理解基准

• 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 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%。

为了充分利用这一自主性，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）。

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，

图 2：DeepVideoDiscovery 分为两个 stage，DVD 强调其作为智能体的自主性，例如 GPT-4o 表现出过度自信和行为崩溃，倾向于过早结束推理。

在 “多粒度视频数据库构建” 阶段，以搜索为中心的工具集以及作为智能体协调器的 LLM。在迭代的 “观察 - 推理 - 行动” 循环中，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，根据累积的知识和推理证据采取行动，包括主题中心化摘要、

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，右：LVBench 上的性能比较。

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。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。在极具挑战性的 LVBench 数据集上，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，通过统一将视频分割成短片段（例如 5 秒），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。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。用于从指定时间范围内的像素级信息中提取细粒度细节，并返回排名靠前的相关视频片段及其字幕和时间范围。" cms-width="677" cms-height="272.672" id="2"/>