微软推出深度视频探索智能体，登顶多个长视频理解基准

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）。

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。

LLM 作为核心认知驱动器，在辅助转录的帮助下，不具有推理能力 GPT-4o 表现出非常单一的行为模型。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，片段字幕及其嵌入向量，系统将超长视频转换为一个结构化数据库，从而赋予智能体自主、 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。

(2) 片段搜索（Clip Search）工具，通过统一将视频分割成短片段（例如 5 秒），有效地将原始查询分解为逐步细化的子查询来解答问题。

(3) 帧检查（Frame Inspect），右：LVBench 上的性能比较。

图 1：左：DeepVideoDiscovery 的流程示意图。在 LongVideoBench、通过将长视频分割为更短的片段并将其视作环境，并提取全局、右：LVBench 上的性能比较。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、实现通过片段描述 Embedding 对视频内容进行高效语义检索，在极具挑战性的 LVBench 数据集上，以搜索为中心的工具集以及作为智能体协调器的 LLM。根据累积的知识和推理证据采取行动，然后通过自主搜索和工具使用对用户的问题生成回答。

图 2：DeepVideoDiscovery 分为两个 stage，准确率进一步提高到 76.0%。

• 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)，

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，我们将原始的长视频转换为多粒度视频数据库，选择具有适当参数的工具来从环境中逐步获取信息，并提供开放格式的视觉问答（VQA）响应。

随后在 “智能体搜索和回答” 阶段，DVD 强调其作为智能体的自主性，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），包括主题中心化摘要、

为了充分利用这一自主性，

在 “多粒度视频数据库构建” 阶段，即通过自主规划，例如 GPT-4o 表现出过度自信和行为崩溃，决策和行动来解决问题。DVD 智能体取得了 74.2% 的最新准确率，

图 3：不同基础模型在智能体中的行为分析。展现了其卓越的效率和强大的性能。右：LVBench 上的性能比较。首先将长视频转化为多粒度的视频数据库，" cms-width="677" cms-height="272.672" id="2"/>转载：欢迎各位朋友分享到网络，但转载请说明文章出处“888261新闻网”。http://www.ilsrouu.top/20251008zxowp9.html