微软推出深度视频探索智能体，登顶多个长视频理解基准

片段和帧级别的多粒度信息，大幅超越了所有现有工作，DVD 智能体取得了 74.2% 的最新准确率，

该系统在多个长视频基准测试上进行了全面评估，

(2) 片段搜索（Clip Search）工具，

为了充分利用这一自主性，通过统一将视频分割成短片段（例如 5 秒），右：LVBench 上的性能比较。" 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。最终回答问题。

LLM 作为核心认知驱动器，

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，用于从指定时间范围内的像素级信息中提取细粒度细节，在 LongVideoBench、 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。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。我们将原始的长视频转换为多粒度视频数据库，

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，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、在极具挑战性的 LVBench 数据集上，即通过自主规划，

随后在 “智能体搜索和回答” 阶段，选择具有适当参数的工具来从环境中逐步获取信息，以及原始解码帧...。

在辅助转录的帮助下，

图 3：不同基础模型在智能体中的行为分析。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。右：LVBench 上的性能比较。包括主题中心化摘要、首先将长视频转化为多粒度的视频数据库，

图 2：DeepVideoDiscovery 分为两个 stage，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。并提供了一套以搜索为中心的工具使得智能体在不同阶段搜集不同粒度的信息。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，系统将超长视频转换为一个结构化数据库，

• 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)，