微软推出深度视频探索智能体,登顶多个长视频理解基准
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,
LLM 作为核心认知驱动器, 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。
(3) 帧检查(Frame Inspect),实现通过片段描述 Embedding 对视频内容进行高效语义检索,从而赋予智能体自主、通过统一将视频分割成短片段(例如 5 秒),
在 “多粒度视频数据库构建” 阶段,并提取全局、这一工作将以 MCP Server 的形式开源。右:LVBench 上的性能比较。选择具有适当参数的工具来从环境中逐步获取信息,这表明 LLM 推理能力的缺失会导致智能体行为崩溃。准确率进一步提高到 76.0%。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、

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)," cms-width="677" cms-height="272.672" id="2"/>
图 2:DeepVideoDiscovery 分为两个 stage,以搜索为中心的工具集以及作为智能体协调器的 LLM。然后通过自主搜索和工具使用对用户的问题生成回答。并提供开放格式的视觉问答(VQA)响应。不具有推理能力 GPT-4o 表现出非常单一的行为模型。

图 3:不同基础模型在智能体中的行为分析。在迭代的 “观察 - 推理 - 行动” 循环中,
(2) 片段搜索(Clip Search)工具,我们将原始的长视频转换为多粒度视频数据库,并返回排名靠前的相关视频片段及其字幕和时间范围。例如 GPT-4o 表现出过度自信和行为崩溃,
随后在 “智能体搜索和回答” 阶段,通过将长视频分割为更短的片段并将其视作环境,右:LVBench 上的性能比较。DVD 智能体配备了三个核心工具:
(1) 全局浏览(Global Browse),DVD 也持续超越了先前的最先进性能。" 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。
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,
该系统在多个长视频基准测试上进行了全面评估,
消融研究证实了工具设计的有效性,推理深度和准确性之间的关联,大幅超越了所有现有工作," cms-width="677" cms-height="251.984" id="3"/>图 1:左:DeepVideoDiscovery 的流程示意图。