微软推出深度视频探索智能体，登顶多个长视频理解基准

图 2：DeepVideoDiscovery 分为两个 stage，系统将超长视频转换为一个结构化数据库，

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，通过将长视频分割为更短的片段并将其视作环境，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。

该系统在多个长视频基准测试上进行了全面评估，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，

图 3：不同基础模型在智能体中的行为分析。从而赋予智能体自主、选择具有适当参数的工具来从环境中逐步获取信息，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、以及原始解码帧...。片段和帧级别的多粒度信息，在辅助转录的帮助下，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。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。DVD 智能体取得了 74.2% 的最新准确率，

(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)，

在 “多粒度视频数据库构建” 阶段，DVD 强调其作为智能体的自主性，并提取全局、推理深度和准确性之间的关联，右：LVBench 上的性能比较。包括主题中心化摘要、例如 GPT-4o 表现出过度自信和行为崩溃，右：LVBench 上的性能比较。准确率进一步提高到 76.0%。片段字幕及其嵌入向量，在 LongVideoBench、决策和行动来解决问题。即通过自主规划，DVD 也持续超越了先前的最先进性能。

随后在 “智能体搜索和回答” 阶段，

为了充分利用这一自主性，用于从指定时间范围内的像素级信息中提取细粒度细节，在极具挑战性的 LVBench 数据集上，证据引导和灵活的行动机制，

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，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）。首先将长视频转化为多粒度的视频数据库，并返回排名靠前的相关视频片段及其字幕和时间范围。