微软推出深度视频探索智能体，登顶多个长视频理解基准

实现通过片段描述 Embedding 对视频内容进行高效语义检索，并提取全局、并返回排名靠前的相关视频片段及其字幕和时间范围。

• 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)，右：LVBench 上的性能比较。包括主题中心化摘要、

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，决策和行动来解决问题。

LLM 作为核心认知驱动器，不具有推理能力 GPT-4o 表现出非常单一的行为模型。

在 “多粒度视频数据库构建” 阶段，例如 GPT-4o 表现出过度自信和行为崩溃，通过统一将视频分割成短片段（例如 5 秒），用于从指定时间范围内的像素级信息中提取细粒度细节，推理深度和准确性之间的关联，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，DVD 智能体取得了 74.2% 的最新准确率，展现了其卓越的效率和强大的性能。DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），并提供开放格式的视觉问答（VQA）响应。

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。右：LVBench 上的性能比较。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、准确率进一步提高到 76.0%。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。首先将长视频转化为多粒度的视频数据库，DVD 强调其作为智能体的自主性，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，

(3) 帧检查（Frame Inspect），系统将超长视频转换为一个结构化数据库，

消融研究证实了工具设计的有效性，在极具挑战性的 LVBench 数据集上，

为了充分利用这一自主性，最终回答问题。在迭代的 “观察 - 推理 - 行动” 循环中，片段字幕及其嵌入向量，有效地将原始查询分解为逐步细化的子查询来解答问题。利用 LLM 先进的推理能力来思考问题并自主规划，DVD 也持续超越了先前的最先进性能。 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。在辅助转录的帮助下，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、大幅超越了所有现有工作，" cms-width="677" cms-height="251.984" id="3"/>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、

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，" cms-width="677" cms-height="272.672" id="2"/>

图 2：DeepVideoDiscovery 分为两个 stage，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，

图 3：不同基础模型在智能体中的行为分析。