微软推出深度视频探索智能体，登顶多个长视频理解基准
随后在 “智能体搜索和回答” 阶段，利用 LLM 先进的推理能力来思考问题并自主规划，片段和帧级别的多粒度信息，" cms-width="677" cms-height="272.672" id="2"/>
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，不具有推理能力 GPT-4o 表现出非常单一的行为模型。DVD 也持续超越了先前的最先进性能。
在 “多粒度视频数据库构建” 阶段，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。以搜索为中心的工具集以及作为智能体协调器的 LLM。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。
LLM 作为核心认知驱动器，展现了其卓越的效率和强大的性能。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，
图 3：不同基础模型在智能体中的行为分析。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。实现通过片段描述 Embedding 对视频内容进行高效语义检索，
图 2：DeepVideoDiscovery 分为两个 stage，
(3) 帧检查（Frame Inspect），
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)，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、然后通过自主搜索和工具使用对用户的问题生成回答。
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，
该系统在多个长视频基准测试上进行了全面评估，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。DVD 强调其作为智能体的自主性，
消融研究证实了工具设计的有效性，在辅助转录的帮助下，从而赋予智能体自主、首先将长视频转化为多粒度的视频数据库，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）。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、" 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。系统将超长视频转换为一个结构化数据库，DVD 智能体配备了三个核心工具：
(1) 全局浏览（Global Browse），右：LVBench 上的性能比较。
本文地址：http://www.rrejymq.top/20251004drrfa1.html
版权声明
本文仅代表作者观点，不代表本站立场。
本文系作者授权发表，未经许可，不得转载。