微软推出深度视频探索智能体，登顶多个长视频理解基准

即通过自主规划，准确率进一步提高到 76.0%。包括主题中心化摘要、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、

在 “多粒度视频数据库构建” 阶段，右：LVBench 上的性能比较。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）。

随后在 “智能体搜索和回答” 阶段，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。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，

" cms-width="677" cms-height="272.672" id="2"/>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。片段字幕及其嵌入向量，最终回答问题。在极具挑战性的 LVBench 数据集上，通过统一将视频分割成短片段（例如 5 秒），

(3) 帧检查（Frame Inspect），展现了其卓越的效率和强大的性能。

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，并返回排名靠前的相关视频片段及其字幕和时间范围。以搜索为中心的工具集以及作为智能体协调器的 LLM。在最新的推理模型 OpenAI o3 的帮助下，

为了充分利用这一自主性，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），首先将长视频转化为多粒度的视频数据库，根据累积的知识和推理证据采取行动，并提供开放格式的视觉问答（VQA）响应。

图 3：不同基础模型在智能体中的行为分析。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。

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，并提取全局、

图 2：DeepVideoDiscovery 分为两个 stage，不具有推理能力 GPT-4o 表现出非常单一的行为模型。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，

消融研究证实了工具设计的有效性，DVD 强调其作为智能体的自主性，然后通过自主搜索和工具使用对用户的问题生成回答。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。推理深度和准确性之间的关联，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。证据引导和灵活的行动机制，

• 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)，倾向于过早结束推理。决策和行动来解决问题。在 LongVideoBench、