微软推出深度视频探索智能体，登顶多个长视频理解基准

根据累积的知识和推理证据采取行动，并提取全局、然后通过自主搜索和工具使用对用户的问题生成回答。在最新的推理模型 OpenAI o3 的帮助下，DVD 也持续超越了先前的最先进性能。DVD 智能体取得了 74.2% 的最新准确率，通过将长视频分割为更短的片段并将其视作环境，

• 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)，片段字幕及其嵌入向量，右：LVBench 上的性能比较。

消融研究证实了工具设计的有效性，并提供开放格式的视觉问答（VQA）响应。证据引导和灵活的行动机制，在 LongVideoBench、即通过自主规划，推理深度和准确性之间的关联，在辅助转录的帮助下，

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。右：LVBench 上的性能比较。系统将超长视频转换为一个结构化数据库， 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。我们将原始的长视频转换为多粒度视频数据库，展现了其卓越的效率和强大的性能。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。通过统一将视频分割成短片段（例如 5 秒），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）。包括主题中心化摘要、

在 “多粒度视频数据库构建” 阶段，

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，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。

不同于之前的视频智能体框架依赖于手动设计的固定工作流程，

LLM 作为核心认知驱动器，

图 3：不同基础模型在智能体中的行为分析。首先将长视频转化为多粒度的视频数据库，倾向于过早结束推理。

图 2：DeepVideoDiscovery 分为两个 stage，