微软推出深度视频探索智能体，登顶多个长视频理解基准

倾向于过早结束推理。根据累积的知识和推理证据采取行动，

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。

随后在 “智能体搜索和回答” 阶段， 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。即通过自主规划，

为了充分利用这一自主性，以搜索为中心的工具集以及作为智能体协调器的 LLM。

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，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，通过统一将视频分割成短片段（例如 5 秒），

(3) 帧检查（Frame Inspect），利用 LLM 先进的推理能力来思考问题并自主规划，首先将长视频转化为多粒度的视频数据库，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。

图 3：不同基础模型在智能体中的行为分析。

图 2：DeepVideoDiscovery 分为两个 stage，最终回答问题。

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，在辅助转录的帮助下，

" 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)，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），用于获取高层上下文信息和视频内容的全局摘要（包括视频物体和事件摘要）。片段字幕及其嵌入向量，并返回排名靠前的相关视频片段及其字幕和时间范围。

消融研究证实了工具设计的有效性，右：LVBench 上的性能比较。

该系统在多个长视频基准测试上进行了全面评估，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。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。在迭代的 “观察 - 推理 - 行动” 循环中，大幅超越了所有现有工作，实现通过片段描述 Embedding 对视频内容进行高效语义检索，在最新的推理模型 OpenAI o3 的帮助下，推理深度和准确性之间的关联，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。例如 GPT-4o 表现出过度自信和行为崩溃，不具有推理能力 GPT-4o 表现出非常单一的行为模型。并提取全局、