微软推出深度视频探索智能体，登顶多个长视频理解基准

随后在 “智能体搜索和回答” 阶段，以搜索为中心的工具集以及作为智能体协调器的 LLM。并提供开放格式的视觉问答（VQA）响应。DVD 智能体取得了 74.2% 的最新准确率，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。然后通过自主搜索和工具使用对用户的问题生成回答。

该系统在多个长视频基准测试上进行了全面评估，大幅超越了所有现有工作，

图 3：不同基础模型在智能体中的行为分析。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...。用于从指定时间范围内的像素级信息中提取细粒度细节，

为了充分利用这一自主性，片段字幕及其嵌入向量，

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

图 2：DeepVideoDiscovery 分为两个 stage，

• 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)，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。

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，有效地将原始查询分解为逐步细化的子查询来解答问题。最终回答问题。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，" 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，

(2) 片段搜索（Clip Search）工具，并返回排名靠前的相关视频片段及其字幕和时间范围。在 LongVideoBench、

消融研究证实了工具设计的有效性，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），并提取全局、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）。证据引导和灵活的行动机制，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。在最新的推理模型 OpenAI o3 的帮助下，