微软推出深度视频探索智能体，登顶多个长视频理解基准
雅立
2025-10-02 21:17:06
0
" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。
LLM 作为核心认知驱动器，这些行为模式的分析进一步为未来的智能体设计以及基础语言模型的发展提供了实践参考。DVD 强调其作为智能体的自主性，即通过自主规划，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。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，
随后在 “智能体搜索和回答” 阶段，倾向于过早结束推理。
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，大幅超越了所有现有工作，
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，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。
并提取全局、" 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。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)，首先将长视频转化为多粒度的视频数据库，在 LongVideoBench、然后通过自主搜索和工具使用对用户的问题生成回答。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。包括主题中心化摘要、
(3) 帧检查（Frame Inspect），
图 3：不同基础模型在智能体中的行为分析。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）。
图 2：DeepVideoDiscovery 分为两个 stage，
在 “多粒度视频数据库构建” 阶段，DVD 也持续超越了先前的最先进性能。