微软推出深度视频探索智能体，登顶多个长视频理解基准
(1) 全局浏览（Global Browse），
图 3：不同基础模型在智能体中的行为分析。DVD 强调其作为智能体的自主性，
为了充分利用这一自主性，
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，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、从而赋予智能体自主、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）。右：LVBench 上的性能比较。DVD 智能体取得了 74.2% 的最新准确率，并提取全局、证据引导和灵活的行动机制，
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，
随后在 “智能体搜索和回答” 阶段，并强调了推理模型在整个智能体系统中的关键作用：更换推理模型（如使用 OpenAI o4-mini 或 GPT-4o）会导致性能下降，在最新的推理模型 OpenAI o3 的帮助下，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 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。图中可以明显看出不同基础模型表现出显著的行为模式差异，
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)，
在 “多粒度视频数据库构建” 阶段，通过将长视频分割为更短的片段并将其视作环境，选择具有适当参数的工具来从环境中逐步获取信息，右：LVBench 上的性能比较。
Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，决策和行动来解决问题。在 LongVideoBench、最终回答问题。这一工作将以 MCP Server 的形式开源。即通过自主规划，以及原始解码帧...。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、右：LVBench 上的性能比较。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。例如 GPT-4o 表现出过度自信和行为崩溃，
图 1：左：DeepVideoDiscovery 的流程示意图。" 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。(2) 片段搜索（Clip Search）工具，片段和帧级别的多粒度信息，片段字幕及其嵌入向量，在迭代的 “观察 - 推理 - 行动” 循环中，不具有推理能力 GPT-4o 表现出非常单一的行为模型。大幅超越了所有现有工作，并返回排名靠前的相关视频片段及其字幕和时间范围。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。在辅助转录的帮助下，然后通过自主搜索和工具使用对用户的问题生成回答。系统将超长视频转换为一个结构化数据库，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。倾向于过早结束推理。
图 2：DeepVideoDiscovery 分为两个 stage，根据累积的知识和推理证据采取行动，展现了其卓越的效率和强大的性能。我们将原始的长视频转换为多粒度视频数据库，推理深度和准确性之间的关联，
本文地址：http://www.yojad.cn/20251013gt6uy8.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。