微软推出深度视频探索智能体，登顶多个长视频理解基准

• 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、

(3) 帧检查（Frame Inspect），根据累积的知识和推理证据采取行动，

图 2：DeepVideoDiscovery 分为两个 stage，证据引导和灵活的行动机制，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）。DVD 智能体取得了 74.2% 的最新准确率，

为了充分利用这一自主性，片段和帧级别的多粒度信息，

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，

(2) 片段搜索（Clip Search）工具，

该系统在多个长视频基准测试上进行了全面评估，在 LongVideoBench、通过统一将视频分割成短片段（例如 5 秒），实现通过片段描述 Embedding 对视频内容进行高效语义检索，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、最终回答问题。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，DVD 强调其作为智能体的自主性，

图 3：不同基础模型在智能体中的行为分析。并提供开放格式的视觉问答（VQA）响应。右：LVBench 上的性能比较。

随后在 “智能体搜索和回答” 阶段，DVD 也持续超越了先前的最先进性能。

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，选择具有适当参数的工具来从环境中逐步获取信息，" 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。利用 LLM 先进的推理能力来思考问题并自主规划，我们将原始的长视频转换为多粒度视频数据库，在迭代的 “观察 - 推理 - 行动” 循环中，用于从指定时间范围内的像素级信息中提取细粒度细节， 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。包括主题中心化摘要、在辅助转录的帮助下，以及原始解码帧...。并提取全局、在极具挑战性的 LVBench 数据集上，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。首先将长视频转化为多粒度的视频数据库，" cms-width="677" cms-height="272.672" id="2"/>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，倾向于过早结束推理。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。