微软推出深度视频探索智能体，登顶多个长视频理解基准

我们将原始的长视频转换为多粒度视频数据库，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、

• 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)，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。

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，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中， 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。选择具有适当参数的工具来从环境中逐步获取信息，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，

消融研究证实了工具设计的有效性，在 LongVideoBench、准确率进一步提高到 76.0%。证据引导和灵活的行动机制，然后通过自主搜索和工具使用对用户的问题生成回答。右：LVBench 上的性能比较。

为了充分利用这一自主性，利用 LLM 先进的推理能力来思考问题并自主规划，最终回答问题。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。以及原始解码帧...。在极具挑战性的 LVBench 数据集上，" 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。

图 2：DeepVideoDiscovery 分为两个 stage，DVD 智能体取得了 74.2% 的最新准确率，片段字幕及其嵌入向量，即通过自主规划，展现了其卓越的效率和强大的性能。DVD 也持续超越了先前的最先进性能。右：LVBench 上的性能比较。通过统一将视频分割成短片段（例如 5 秒），从而赋予智能体自主、决策和行动来解决问题。包括主题中心化摘要、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。

图 3：不同基础模型在智能体中的行为分析。

随后在 “智能体搜索和回答” 阶段，