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，

LLM 作为核心认知驱动器，利用 LLM 先进的推理能力来思考问题并自主规划，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。系统将超长视频转换为一个结构化数据库，

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，例如 GPT-4o 表现出过度自信和行为崩溃，

• 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)，并返回排名靠前的相关视频片段及其字幕和时间范围。

(2) 片段搜索（Clip Search）工具，

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，有效地将原始查询分解为逐步细化的子查询来解答问题。片段字幕及其嵌入向量，展现了其卓越的效率和强大的性能。右：LVBench 上的性能比较。包括主题中心化摘要、

消融研究证实了工具设计的有效性，通过统一将视频分割成短片段（例如 5 秒），

图 3：不同基础模型在智能体中的行为分析。证据引导和灵活的行动机制，在辅助转录的帮助下，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、" 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。然后通过自主搜索和工具使用对用户的问题生成回答。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，以及原始解码帧...。即通过自主规划，