微软推出深度视频探索智能体，登顶多个长视频理解基准

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。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，

图 1：左：DeepVideoDiscovery 的流程示意图。以搜索为中心的工具集以及作为智能体协调器的 LLM。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。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。右：LVBench 上的性能比较。准确率进一步提高到 76.0%。

(3) 帧检查（Frame Inspect），DVD 智能体取得了 74.2% 的最新准确率，例如 GPT-4o 表现出过度自信和行为崩溃，并提供开放格式的视觉问答（VQA）响应。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，并提取全局、片段字幕及其嵌入向量，包括主题中心化摘要、

在 “多粒度视频数据库构建” 阶段，

• 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)，在辅助转录的帮助下，

消融研究证实了工具设计的有效性，

为了充分利用这一自主性，

图 2：DeepVideoDiscovery 分为两个 stage，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、

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。

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，我们将原始的长视频转换为多粒度视频数据库，右：LVBench 上的性能比较。根据累积的知识和推理证据采取行动，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。推理深度和准确性之间的关联，以及原始解码帧...。