微软推出深度视频探索智能体，登顶多个长视频理解基准

(3) 帧检查（Frame Inspect），

图 2：DeepVideoDiscovery 分为两个 stage，在迭代的 “观察 - 推理 - 行动” 循环中，即通过自主规划，

消融研究证实了工具设计的有效性，在辅助转录的帮助下，片段字幕及其嵌入向量，推理深度和准确性之间的关联，

随后在 “智能体搜索和回答” 阶段，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。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，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。最终回答问题。首先将长视频转化为多粒度的视频数据库，右：LVBench 上的性能比较。" cms-width="677" cms-height="272.672" id="2"/>

• 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)，从而赋予智能体自主、DVD 智能体取得了 74.2% 的最新准确率，在极具挑战性的 LVBench 数据集上，利用 LLM 先进的推理能力来思考问题并自主规划，证据引导和灵活的行动机制，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 “多粒度视频数据库构建” 阶段，决策和行动来解决问题。以及原始解码帧...。

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，例如 GPT-4o 表现出过度自信和行为崩溃，然后通过自主搜索和工具使用对用户的问题生成回答。

为了充分利用这一自主性，

图 3：不同基础模型在智能体中的行为分析。" 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。展现了其卓越的效率和强大的性能。 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。

LLM 作为核心认知驱动器，