微软推出深度视频探索智能体，登顶多个长视频理解基准

 人参与 | 时间：2025-09-24 01:55:59
证据引导和灵活的行动机制，我们将原始的长视频转换为多粒度视频数据库，

LLM 作为核心认知驱动器，

随后在 “智能体搜索和回答” 阶段，

在 “多粒度视频数据库构建” 阶段，用于从指定时间范围内的像素级信息中提取细粒度细节， 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。在最新的推理模型 OpenAI o3 的帮助下，有效地将原始查询分解为逐步细化的子查询来解答问题。在迭代的 “观察 - 推理 - 行动” 循环中，

图 2：DeepVideoDiscovery 分为两个 stage，

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，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。展现了其卓越的效率和强大的性能。以及原始解码帧...。

  • 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)，在极具挑战性的 LVBench 数据集上，

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。在 LongVideoBench、</p><img src=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。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。并提取全局、然后通过自主搜索和工具使用对用户的问题生成回答。最终回答问题。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。

消融研究证实了工具设计的有效性，右：LVBench 上的性能比较。" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。右：LVBench 上的性能比较。 <ins class=顶: 154踩: 8535