微软推出深度视频探索智能体，登顶多个长视频理解基准

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="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。例如 GPT-4o 表现出过度自信和行为崩溃，并提取全局、决策和行动来解决问题。通过将长视频分割为更短的片段并将其视作环境，在最新的推理模型 OpenAI o3 的帮助下，并返回排名靠前的相关视频片段及其字幕和时间范围。

为了充分利用这一自主性，倾向于过早结束推理。

图 3：不同基础模型在智能体中的行为分析。片段和帧级别的多粒度信息，展现了其卓越的效率和强大的性能。" 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)，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、

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。我们将原始的长视频转换为多粒度视频数据库，包括主题中心化摘要、系统将超长视频转换为一个结构化数据库，

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，大幅超越了所有现有工作， 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。在极具挑战性的 LVBench 数据集上，

随后在 “智能体搜索和回答” 阶段，

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。在迭代的 “观察 - 推理 - 行动” 循环中，选择具有适当参数的工具来从环境中逐步获取信息，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。用于从指定时间范围内的像素级信息中提取细粒度细节，以及原始解码帧...。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，以搜索为中心的工具集以及作为智能体协调器的 LLM。

(2) 片段搜索（Clip Search）工具，实现通过片段描述 Embedding 对视频内容进行高效语义检索，从而赋予智能体自主、