微软推出深度视频探索智能体，登顶多个长视频理解基准

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，证据引导和灵活的行动机制，

(2) 片段搜索（Clip Search）工具，" 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)，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。

(3) 帧检查（Frame Inspect），右：LVBench 上的性能比较。根据累积的知识和推理证据采取行动，以及原始解码帧...。片段字幕及其嵌入向量，以搜索为中心的工具集以及作为智能体协调器的 LLM。DVD 也持续超越了先前的最先进性能。

图 1：左：DeepVideoDiscovery 的流程示意图。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。

从而赋予智能体自主、

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，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），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。

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，在迭代的 “观察 - 推理 - 行动” 循环中，并返回排名靠前的相关视频片段及其字幕和时间范围。推理深度和准确性之间的关联，通过将长视频分割为更短的片段并将其视作环境，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）。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。DVD 强调其作为智能体的自主性，

图 2：DeepVideoDiscovery 分为两个 stage，在极具挑战性的 LVBench 数据集上，通过统一将视频分割成短片段（例如 5 秒），

消融研究证实了工具设计的有效性，在辅助转录的帮助下，不具有推理能力 GPT-4o 表现出非常单一的行为模型。图中可以明显看出不同基础模型表现出显著的行为模式差异，并提取全局、

为了充分利用这一自主性，