微软推出 Deep Video Discovery 智能体,登顶长视频理解基准

微软提出 Deep Video Discovery 智能体,利用 LLM 和工具集,显著提升长视频理解的准确率,并在 LVBench 上取得领先。

原文标题:微软推出深度视频探索智能体,登顶多个长视频理解基准

原文作者:机器之心

冷月清谈:

微软提出了名为 Deep Video Discovery (DVD) 的新型智能体,用于解决大型语言模型 (LLMs) 在处理长视频方面的局限性。DVD 通过将长视频分割成更短的片段,并利用 LLM 的推理能力自主规划,选择合适的工具逐步获取信息来回答问题。该系统包含多粒度视频数据库、以搜索为中心的工具集(全局浏览、片段搜索、帧检查)和作为智能体协调器的 LLM。DVD 在 LVBench 数据集上以 74.2% 的准确率大幅超越了之前的模型。消融研究表明,LLM 的推理能力对智能体系统的性能至关重要。此外,该研究还分析了不同 LLM 在智能体中的行为模式差异,为未来的智能体设计和基础语言模型的发展提供了参考。

怜星夜思:

1、DVD 将长视频切分为短片段,这种做法对提高效率有哪些潜在的负面影响?例如,是否可能丢失一些需要跨片段理解的信息?又该如何弥补?
2、DVD 智能体使用了全局浏览、片段搜索和帧检查三种工具,如果让你设计第四个工具,你会考虑加入什么能力,为什么?
3、论文中提到不同的 LLM 在智能体中表现出不同的行为模式,例如GPT-4o 表现出过度自信和行为崩溃。你认为如何改进 LLM 才能更好地应用于这种智能体系统?

原文内容


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,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。



  • 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),通过将长视频分割为更短的片段并将其视作环境,利用 LLM 先进的推理能力来思考问题并自主规划,选择具有适当参数的工具来从环境中逐步获取信息,最终回答问题。在最新的推理模型 OpenAI o3 的帮助下, 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。这一工作将以 MCP Server 的形式开源。




图 1:左:DeepVideoDiscovery 的流程示意图。右:LVBench 上的性能比较。


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,DVD 强调其作为智能体的自主性,即通过自主规划,决策和行动来解决问题。


为了充分利用这一自主性,我们将原始的长视频转换为多粒度视频数据库,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。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、以搜索为中心的工具集以及作为智能体协调器的 LLM。


图 2:DeepVideoDiscovery 分为两个 stage,首先将长视频转化为多粒度的视频数据库,然后通过自主搜索和工具使用对用户的问题生成回答。


在 “多粒度视频数据库构建” 阶段,系统将超长视频转换为一个结构化数据库,通过统一将视频分割成短片段(例如 5 秒),并提取全局、片段和帧级别的多粒度信息,包括主题中心化摘要、片段字幕及其嵌入向量,以及原始解码帧...。


随后在 “智能体搜索和回答” 阶段,DVD 智能体配备了三个核心工具:


(1) 全局浏览(Global Browse),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)

(2) 片段搜索(Clip Search)工具,实现通过片段描述 Embedding 对视频内容进行高效语义检索,并返回排名靠前的相关视频片段及其字幕和时间范围。

(3) 帧检查(Frame Inspect),用于从指定时间范围内的像素级信息中提取细粒度细节,并提供开放格式的视觉问答(VQA)响应。


LLM 作为核心认知驱动器,在迭代的 “观察 - 推理 - 行动” 循环中,根据累积的知识和推理证据采取行动,从而赋予智能体自主、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。


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。


该系统在多个长视频基准测试上进行了全面评估,展现了其卓越的效率和强大的性能。在极具挑战性的 LVBench 数据集上,DVD 智能体取得了 74.2% 的最新准确率,大幅超越了所有现有工作,包括先前的最先进模型 MR. Video(13.4% 的提升)和 VCA(32.9% 的提升)。在辅助转录的帮助下,准确率进一步提高到 76.0%。在 LongVideoBench、Video MME Long 子集和 EgoSchema 等其他长视频基准测试中,DVD 也持续超越了先前的最先进性能。


图 3:不同基础模型在智能体中的行为分析。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,不具有推理能力 GPT-4o 表现出非常单一的行为模型。


消融研究证实了工具设计的有效性,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,这表明 LLM 推理能力的缺失会导致智能体行为崩溃。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,例如 GPT-4o 表现出过度自信和行为崩溃,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。


© THE END 

转载请联系本公众号获得授权

投稿或寻求报道:[email protected]

整那些虚头巴脑的干啥,直接上个“弹幕分析”工具!抓取弹幕数据,看看大家都在讨论啥,吐槽啥,比你自己在那儿瞎分析靠谱多了!说不定还能发现视频里隐藏的彩蛋呢!

从学术的角度来看,切分策略是一种trade-off。一方面,降低了计算复杂度,让LLM能够处理更长的视频;另一方面,损失了长程依赖关系。弥补方法可以从两个角度入手:一是优化切分策略,例如使用自适应切分,根据视频内容动态调整片段长度;二是引入记忆机制,例如使用Transformer-XL中的循环机制,让LLM能够记住之前的片段信息。

如果我来设计第四个工具,我会加入一个“情感分析”工具。它可以分析视频中人物的情绪变化,帮助智能体更好地理解视频的语境。例如,当人物表情悲伤时,智能体可以推断出发生了不愉快的事情,从而更准确地回答问题。

可以考虑引入“专家系统”的思想。针对不同的任务,使用不同的 LLM 或 LLM 的组合。例如,对于需要精确推理的任务,可以使用擅长逻辑推理的 LLM;对于需要创造性思维的任务,可以使用擅长生成文本的 LLM。这样可以扬长避短,提高整体性能。

这个问题问得很有深度!确实,切分片段可能会导致信息丢失,尤其是那些依赖上下文才能理解的内容。一个可能的解决方案是引入更大的片段,或者在片段之间建立连接,例如使用时间戳或关键帧来追踪事件的发展。还可以考虑使用重叠片段,确保关键信息不会被完全分割开。

我觉着可以搞个“剧情回顾”功能!在每个片段结束后,给个简短的剧情回顾,或者关键词提示,帮助理解后续片段的内容。这样即使片段被割裂,也能通过回顾来建立上下文。

我认为关键是提高 LLM 的“认知校准”能力。LLM 需要更准确地评估自己的知识边界,避免过度自信,并在遇到不确定性时寻求外部信息。可以通过强化学习等方法,训练 LLM 在不同任务中保持适当的自信水平。

我会设计一个“因果关系推理”工具。现有的工具主要侧重于信息的检索和整合,但缺乏对事件之间因果关系的理解。例如,如果视频中出现某人摔倒,智能体需要能够推断出可能的原因(绊倒、滑倒等),以及可能造成的后果(受伤、寻求帮助等)。这需要更高级的推理能力。

我觉得得给LLM加个“冷静一下”按钮!让它在做出决策前,先反思一下自己的判断,看看有没有疏漏的地方。或者干脆引入个“杠精”模块,专门挑刺,防止LLM一意孤行。总之,要让LLM学会三思而后行!