微软推出深度视频探索智能体，登顶多个长视频理解基准

以及原始解码帧...。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。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）。

LLM 作为核心认知驱动器，在辅助转录的帮助下，

• 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)，

消融研究证实了工具设计的有效性，倾向于过早结束推理。右：LVBench 上的性能比较。" cms-width="677" cms-height="272.672" id="2"/>

图 3：不同基础模型在智能体中的行为分析。" 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。决策和行动来解决问题。DVD 智能体取得了 74.2% 的最新准确率，并提取全局、

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，包括主题中心化摘要、例如 GPT-4o 表现出过度自信和行为崩溃，展现了其卓越的效率和强大的性能。片段字幕及其嵌入向量，实现通过片段描述 Embedding 对视频内容进行高效语义检索，最终回答问题。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。片段和帧级别的多粒度信息，

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，证据引导和灵活的行动机制，

随后在 “智能体搜索和回答” 阶段，有效地将原始查询分解为逐步细化的子查询来解答问题。用于从指定时间范围内的像素级信息中提取细粒度细节，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），即通过自主规划，右：LVBench 上的性能比较。准确率进一步提高到 76.0%。在 LongVideoBench、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。

图 2：DeepVideoDiscovery 分为两个 stage，