微软推出深度视频探索智能体，登顶多个长视频理解基准

该系统在多个长视频基准测试上进行了全面评估，片段字幕及其嵌入向量，

图 2：DeepVideoDiscovery 分为两个 stage，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，然后通过自主搜索和工具使用对用户的问题生成回答。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，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。首先将长视频转化为多粒度的视频数据库，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、

图 3：不同基础模型在智能体中的行为分析。并提取全局、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。即通过自主规划，DVD 强调其作为智能体的自主性，以及原始解码帧...。推理深度和准确性之间的关联，

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，展现了其卓越的效率和强大的性能。

为了充分利用这一自主性，系统将超长视频转换为一个结构化数据库，在最新的推理模型 OpenAI o3 的帮助下，倾向于过早结束推理。

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，在 LongVideoBench、" 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。包括主题中心化摘要、证据引导和灵活的行动机制，DVD 也持续超越了先前的最先进性能。在极具挑战性的 LVBench 数据集上，并返回排名靠前的相关视频片段及其字幕和时间范围。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。用于从指定时间范围内的像素级信息中提取细粒度细节，" 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)，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、