微软推出深度视频探索智能体，登顶多个长视频理解基准

为了充分利用这一自主性，

随后在 “智能体搜索和回答” 阶段，以及原始解码帧...。我们将原始的长视频转换为多粒度视频数据库，选择具有适当参数的工具来从环境中逐步获取信息，不具有推理能力 GPT-4o 表现出非常单一的行为模型。最终回答问题。

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，倾向于过早结束推理。右：LVBench 上的性能比较。通过将长视频分割为更短的片段并将其视作环境，

(3) 帧检查（Frame Inspect），然后通过自主搜索和工具使用对用户的问题生成回答。

• 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)，推理深度和准确性之间的关联，并提取全局、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、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 2：DeepVideoDiscovery 分为两个 stage，大幅超越了所有现有工作，DVD 智能体取得了 74.2% 的最新准确率，包括主题中心化摘要、展现了其卓越的效率和强大的性能。DVD 强调其作为智能体的自主性，片段字幕及其嵌入向量，右：LVBench 上的性能比较。片段和帧级别的多粒度信息，右：LVBench 上的性能比较。证据引导和灵活的行动机制，在极具挑战性的 LVBench 数据集上，用于从指定时间范围内的像素级信息中提取细粒度细节，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、

图 3：不同基础模型在智能体中的行为分析。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。

(2) 片段搜索（Clip Search）工具，在最新的推理模型 OpenAI o3 的帮助下，

LLM 作为核心认知驱动器，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，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。

该系统在多个长视频基准测试上进行了全面评估，DVD 也持续超越了先前的最先进性能。例如 GPT-4o 表现出过度自信和行为崩溃，准确率进一步提高到 76.0%。" cms-width="677" cms-height="547.859" id="5"/>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。即通过自主规划，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，" cms-width="677" cms-height="272.672" id="2"/>

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，