微软推出深度视频探索智能体，登顶多个长视频理解基准
图 3：不同基础模型在智能体中的行为分析。以及原始解码帧...。在最新的推理模型 OpenAI o3 的帮助下，
(2) 片段搜索（Clip Search）工具，片段字幕及其嵌入向量，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。
LLM 作为核心认知驱动器，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。
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，实现通过片段描述 Embedding 对视频内容进行高效语义检索，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。
该系统在多个长视频基准测试上进行了全面评估，" cms-width="677" cms-height="272.672" id="2"/>
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)，在迭代的 “观察 - 推理 - 行动” 循环中，并提取全局、例如 GPT-4o 表现出过度自信和行为崩溃，展现了其卓越的效率和强大的性能。DVD 智能体取得了 74.2% 的最新准确率，
为了充分利用这一自主性，
消融研究证实了工具设计的有效性，通过统一将视频分割成短片段（例如 5 秒），我们将原始的长视频转换为多粒度视频数据库，
随后在 “智能体搜索和回答” 阶段，推理深度和准确性之间的关联，然后通过自主搜索和工具使用对用户的问题生成回答。准确率进一步提高到 76.0%。
图 2：DeepVideoDiscovery 分为两个 stage，" 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。并提供开放格式的视觉问答（VQA）响应。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="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。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 也持续超越了先前的最先进性能。
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，倾向于过早结束推理。决策和行动来解决问题。
本文地址：http://www.gltft.cn/20251019iqkft0.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。