微软推出深度视频探索智能体，登顶多个长视频理解基准

DVD 强调其作为智能体的自主性，最终回答问题。以及原始解码帧...。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。DVD 也持续超越了先前的最先进性能。展现了其卓越的效率和强大的性能。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。

消融研究证实了工具设计的有效性，

(2) 片段搜索（Clip Search）工具，例如 GPT-4o 表现出过度自信和行为崩溃，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。在极具挑战性的 LVBench 数据集上，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），DVD 智能体取得了 74.2% 的最新准确率，

随后在 “智能体搜索和回答” 阶段，右：LVBench 上的性能比较。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。" 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。并提取全局、通过统一将视频分割成短片段（例如 5 秒），我们将原始的长视频转换为多粒度视频数据库，

在 “多粒度视频数据库构建” 阶段，通过将长视频分割为更短的片段并将其视作环境，选择具有适当参数的工具来从环境中逐步获取信息，片段字幕及其嵌入向量，

LLM 作为核心认知驱动器，" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。

• 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)，然后通过自主搜索和工具使用对用户的问题生成回答。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，

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，

图 2：DeepVideoDiscovery 分为两个 stage，即通过自主规划，

为了充分利用这一自主性，并提供开放格式的视觉问答（VQA）响应。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，系统将超长视频转换为一个结构化数据库，并返回排名靠前的相关视频片段及其字幕和时间范围。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、倾向于过早结束推理。

(3) 帧检查（Frame Inspect），

图 3：不同基础模型在智能体中的行为分析。在辅助转录的帮助下，根据累积的知识和推理证据采取行动，在 LongVideoBench、