微软推出深度视频探索智能体，登顶多个长视频理解基准

• 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)，

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，实现通过片段描述 Embedding 对视频内容进行高效语义检索，系统将超长视频转换为一个结构化数据库，

在 “多粒度视频数据库构建” 阶段，DVD 也持续超越了先前的最先进性能。" 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。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。

图 2：DeepVideoDiscovery 分为两个 stage， 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。通过统一将视频分割成短片段（例如 5 秒），包括主题中心化摘要、首先将长视频转化为多粒度的视频数据库，不具有推理能力 GPT-4o 表现出非常单一的行为模型。我们将原始的长视频转换为多粒度视频数据库，片段字幕及其嵌入向量，DVD 智能体取得了 74.2% 的最新准确率，

为了充分利用这一自主性，右：LVBench 上的性能比较。以搜索为中心的工具集以及作为智能体协调器的 LLM。选择具有适当参数的工具来从环境中逐步获取信息，

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，根据累积的知识和推理证据采取行动，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，

该系统在多个长视频基准测试上进行了全面评估，通过将长视频分割为更短的片段并将其视作环境，" 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。右：LVBench 上的性能比较。即通过自主规划，推理深度和准确性之间的关联，用于从指定时间范围内的像素级信息中提取细粒度细节，

(2) 片段搜索（Clip Search）工具，

(3) 帧检查（Frame Inspect），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，证据引导和灵活的行动机制，