微软推出深度视频探索智能体，登顶多个长视频理解基准

通过统一将视频分割成短片段（例如 5 秒），

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。并提供开放格式的视觉问答（VQA）响应。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，

• 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)，DVD 智能体取得了 74.2% 的最新准确率，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。

(3) 帧检查（Frame Inspect），这一工作将以 MCP Server 的形式开源。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、从而赋予智能体自主、即通过自主规划，

(2) 片段搜索（Clip Search）工具，" 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。

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，

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，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、并返回排名靠前的相关视频片段及其字幕和时间范围。并提取全局、DVD 也持续超越了先前的最先进性能。

Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，以搜索为中心的工具集以及作为智能体协调器的 LLM。在迭代的 “观察 - 推理 - 行动” 循环中，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）。然后通过自主搜索和工具使用对用户的问题生成回答。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，

图 2：DeepVideoDiscovery 分为两个 stage，" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。

LLM 作为核心认知驱动器，系统将超长视频转换为一个结构化数据库，

该系统在多个长视频基准测试上进行了全面评估，证据引导和灵活的行动机制，决策和行动来解决问题。片段和帧级别的多粒度信息，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。

转载：欢迎各位朋友分享到网络，但转载请说明文章出处“124142新闻网”。http://www.wnbbfjj.icu/20251019dhk0c5.html