微软推出深度视频探索智能体，登顶多个长视频理解基准
高阳
2025-10-03 13:17:37
0
证据引导和灵活的行动机制，并提供开放格式的视觉问答（VQA）响应。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。
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。DVD 强调其作为智能体的自主性，准确率进一步提高到 76.0%。
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，
图 3：不同基础模型在智能体中的行为分析。并提取全局、
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。展现了其卓越的效率和强大的性能。决策和行动来解决问题。倾向于过早结束推理。右：LVBench 上的性能比较。以搜索为中心的工具集以及作为智能体协调器的 LLM。用于从指定时间范围内的像素级信息中提取细粒度细节，推理深度和准确性之间的关联，
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，首先将长视频转化为多粒度的视频数据库，
图 2：DeepVideoDiscovery 分为两个 stage，" cms-width="677" cms-height="272.672" id="2"/>
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)，根据累积的知识和推理证据采取行动，在 LongVideoBench、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。有效地将原始查询分解为逐步细化的子查询来解答问题。
消融研究证实了工具设计的有效性，我们将原始的长视频转换为多粒度视频数据库，系统将超长视频转换为一个结构化数据库，
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。DVD 强调其作为智能体的自主性，准确率进一步提高到 76.0%。