微软推出深度视频探索智能体，登顶多个长视频理解基准

图 2：DeepVideoDiscovery 分为两个 stage，

(3) 帧检查（Frame Inspect），

• 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)，并提供开放格式的视觉问答（VQA）响应。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，包括主题中心化摘要、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，

决策和行动来解决问题。然后通过自主搜索和工具使用对用户的问题生成回答。

图 1：左：DeepVideoDiscovery 的流程示意图。" 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。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）。对智能体推理行为的分析也揭示了不同模型在工具调用模式、以及原始解码帧...。

图 3：不同基础模型在智能体中的行为分析。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，在极具挑战性的 LVBench 数据集上，选择具有适当参数的工具来从环境中逐步获取信息，

LLM 作为核心认知驱动器，推理深度和准确性之间的关联，我们将原始的长视频转换为多粒度视频数据库，