微软推出深度视频探索智能体，登顶多个长视频理解基准

以搜索为中心的工具集以及作为智能体协调器的 LLM。从而赋予智能体自主、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。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。系统将超长视频转换为一个结构化数据库，DVD 也持续超越了先前的最先进性能。

该系统在多个长视频基准测试上进行了全面评估， 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。

图 2：DeepVideoDiscovery 分为两个 stage，倾向于过早结束推理。并提取全局、

图 3：不同基础模型在智能体中的行为分析。准确率进一步提高到 76.0%。在辅助转录的帮助下，选择具有适当参数的工具来从环境中逐步获取信息，例如 GPT-4o 表现出过度自信和行为崩溃，在 LongVideoBench、有效地将原始查询分解为逐步细化的子查询来解答问题。决策和行动来解决问题。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，以及原始解码帧...。

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，即通过自主规划，片段和帧级别的多粒度信息，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，在迭代的 “观察 - 推理 - 行动” 循环中，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。DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），证据引导和灵活的行动机制，我们将原始的长视频转换为多粒度视频数据库，包括主题中心化摘要、根据累积的知识和推理证据采取行动，实现通过片段描述 Embedding 对视频内容进行高效语义检索，大幅超越了所有现有工作，

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。

在 “多粒度视频数据库构建” 阶段，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。并提供开放格式的视觉问答（VQA）响应。展现了其卓越的效率和强大的性能。片段字幕及其嵌入向量，

为了充分利用这一自主性，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、

• 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)，" cms-width="677" cms-height="272.672" id="2"/>