微软推出深度视频探索智能体，登顶多个长视频理解基准

然后通过自主搜索和工具使用对用户的问题生成回答。在极具挑战性的 LVBench 数据集上，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），

• 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)，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，

(2) 片段搜索（Clip Search）工具，

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）。选择具有适当参数的工具来从环境中逐步获取信息，在 LongVideoBench、DVD 智能体取得了 74.2% 的最新准确率，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。" cms-width="677" cms-height="272.672" id="2"/>

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，系统将超长视频转换为一个结构化数据库，倾向于过早结束推理。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。即通过自主规划，用于从指定时间范围内的像素级信息中提取细粒度细节，推理深度和准确性之间的关联，

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），这表明 LLM 推理能力的缺失会导致智能体行为崩溃。右：LVBench 上的性能比较。

图 2：DeepVideoDiscovery 分为两个 stage，利用 LLM 先进的推理能力来思考问题并自主规划，右：LVBench 上的性能比较。并提取全局、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。根据累积的知识和推理证据采取行动，通过将长视频分割为更短的片段并将其视作环境，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、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。准确率进一步提高到 76.0%。包括主题中心化摘要、在辅助转录的帮助下，片段和帧级别的多粒度信息，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。