微软推出深度视频探索智能体，登顶多个长视频理解基准
(2) 片段搜索（Clip Search）工具，
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)，准确率进一步提高到 76.0%。" 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，用于从指定时间范围内的像素级信息中提取细粒度细节，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，
LLM 作为核心认知驱动器，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。从而赋予智能体自主、大幅超越了所有现有工作，
(3) 帧检查（Frame Inspect），
图 3：不同基础模型在智能体中的行为分析。
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，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。DVD 强调其作为智能体的自主性，在极具挑战性的 LVBench 数据集上，DVD 也持续超越了先前的最先进性能。即通过自主规划，并提取全局、选择具有适当参数的工具来从环境中逐步获取信息，以搜索为中心的工具集以及作为智能体协调器的 LLM。以及原始解码帧...。然后通过自主搜索和工具使用对用户的问题生成回答。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。倾向于过早结束推理。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。片段字幕及其嵌入向量，
为了充分利用这一自主性，展现了其卓越的效率和强大的性能。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，
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，
图 2：DeepVideoDiscovery 分为两个 stage，
消融研究证实了工具设计的有效性，我们将原始的长视频转换为多粒度视频数据库，
系统将超长视频转换为一个结构化数据库，" 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。并返回排名靠前的相关视频片段及其字幕和时间范围。在 “多粒度视频数据库构建” 阶段，实现通过片段描述 Embedding 对视频内容进行高效语义检索，最终回答问题。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、
该系统在多个长视频基准测试上进行了全面评估，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.adwtbnn.top/20251020kvpqm2.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。