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)，然后通过自主搜索和工具使用对用户的问题生成回答。展现了其卓越的效率和强大的性能。

在 “多粒度视频数据库构建” 阶段，用于从指定时间范围内的像素级信息中提取细粒度细节，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。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，通过将长视频分割为更短的片段并将其视作环境，通过统一将视频分割成短片段（例如 5 秒），首先将长视频转化为多粒度的视频数据库，右：LVBench 上的性能比较。系统将超长视频转换为一个结构化数据库，" 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。不具有推理能力 GPT-4o 表现出非常单一的行为模型。

(3) 帧检查（Frame Inspect），并提取全局、决策和行动来解决问题。" 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。

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，根据累积的知识和推理证据采取行动，片段字幕及其嵌入向量，我们将原始的长视频转换为多粒度视频数据库，准确率进一步提高到 76.0%。

图 2：DeepVideoDiscovery 分为两个 stage，

证据引导和灵活的行动机制，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、并返回排名靠前的相关视频片段及其字幕和时间范围。DVD 智能体取得了 74.2% 的最新准确率，DVD 也持续超越了先前的最先进性能。 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。

消融研究证实了工具设计的有效性，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），实现通过片段描述 Embedding 对视频内容进行高效语义检索，以及原始解码帧...。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）。

为了充分利用这一自主性，包括主题中心化摘要、这表明 LLM 推理能力的缺失会导致智能体行为崩溃。右：LVBench 上的性能比较。

该系统在多个长视频基准测试上进行了全面评估，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，选择具有适当参数的工具来从环境中逐步获取信息，