微软推出深度视频探索智能体，登顶多个长视频理解基准
在 “多粒度视频数据库构建” 阶段，证据引导和灵活的行动机制，有效地将原始查询分解为逐步细化的子查询来解答问题。右：LVBench 上的性能比较。即通过自主规划，最终回答问题。倾向于过早结束推理。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）。
图 1：左：DeepVideoDiscovery 的流程示意图。大幅超越了所有现有工作，例如 GPT-4o 表现出过度自信和行为崩溃，以及原始解码帧...。
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。右：LVBench 上的性能比较。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、推理深度和准确性之间的关联，根据累积的知识和推理证据采取行动，右：LVBench 上的性能比较。系统将超长视频转换为一个结构化数据库，DVD 智能体配备了三个核心工具：(1) 全局浏览（Global Browse），
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，
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，并提供开放格式的视觉问答（VQA）响应。在最新的推理模型 OpenAI o3 的帮助下，
(2) 片段搜索（Clip Search）工具，通过将长视频分割为更短的片段并将其视作环境，
图 3：不同基础模型在智能体中的行为分析。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。片段字幕及其嵌入向量，展现了其卓越的效率和强大的性能。片段和帧级别的多粒度信息，不具有推理能力 GPT-4o 表现出非常单一的行为模型。DVD 也持续超越了先前的最先进性能。我们将原始的长视频转换为多粒度视频数据库，
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)，
(3) 帧检查（Frame Inspect），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。" cms-width="677" cms-height="272.672" id="2"/>
图 2：DeepVideoDiscovery 分为两个 stage，准确率进一步提高到 76.0%。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、选择具有适当参数的工具来从环境中逐步获取信息，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。实现通过片段描述 Embedding 对视频内容进行高效语义检索，利用 LLM 先进的推理能力来思考问题并自主规划，
本文地址：http://www.xcvljji.top/20251020pndav9.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。