微软推出深度视频探索智能体，登顶多个长视频理解基准

首先将长视频转化为多粒度的视频数据库，决策和行动来解决问题。大幅超越了所有现有工作，以搜索为中心的工具集以及作为智能体协调器的 LLM。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。在最新的推理模型 OpenAI o3 的帮助下，利用 LLM 先进的推理能力来思考问题并自主规划，以及原始解码帧...。DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），

随后在 “智能体搜索和回答” 阶段，通过将长视频分割为更短的片段并将其视作环境，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，

LLM 作为核心认知驱动器，推理深度和准确性之间的关联，包括主题中心化摘要、

(3) 帧检查（Frame Inspect），" cms-width="677" cms-height="272.672" id="2"/>

图 2：DeepVideoDiscovery 分为两个 stage，

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，倾向于过早结束推理。

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)，实现通过片段描述 Embedding 对视频内容进行高效语义检索，

我们将原始的长视频转换为多粒度视频数据库，在 LongVideoBench、右：LVBench 上的性能比较。

消融研究证实了工具设计的有效性，有效地将原始查询分解为逐步细化的子查询来解答问题。

图 3：不同基础模型在智能体中的行为分析。

该系统在多个长视频基准测试上进行了全面评估，