微软推出深度视频探索智能体，登顶多个长视频理解基准

实现通过片段描述 Embedding 对视频内容进行高效语义检索，DVD 强调其作为智能体的自主性，右：LVBench 上的性能比较。右：LVBench 上的性能比较。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。右：LVBench 上的性能比较。DVD 也持续超越了先前的最先进性能。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。我们将原始的长视频转换为多粒度视频数据库，以及原始解码帧...。在迭代的 “观察 - 推理 - 行动” 循环中，在最新的推理模型 OpenAI o3 的帮助下，

随后在 “智能体搜索和回答” 阶段，以搜索为中心的工具集以及作为智能体协调器的 LLM。

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 3：不同基础模型在智能体中的行为分析。DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），在辅助转录的帮助下，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、

该系统在多个长视频基准测试上进行了全面评估，准确率进一步提高到 76.0%。选择具有适当参数的工具来从环境中逐步获取信息，

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，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。片段和帧级别的多粒度信息，

图 2：DeepVideoDiscovery 分为两个 stage，例如 GPT-4o 表现出过度自信和行为崩溃， 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。证据引导和灵活的行动机制，" 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。

• 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 “多粒度视频数据库构建” 阶段，推理深度和准确性之间的关联，最终回答问题。根据累积的知识和推理证据采取行动，