微软推出深度视频探索智能体，登顶多个长视频理解基准

" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。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 2：DeepVideoDiscovery 分为两个 stage，实现通过片段描述 Embedding 对视频内容进行高效语义检索，然后通过自主搜索和工具使用对用户的问题生成回答。即通过自主规划，决策和行动来解决问题。准确率进一步提高到 76.0%。大幅超越了所有现有工作，DVD 智能体取得了 74.2% 的最新准确率， 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。以搜索为中心的工具集以及作为智能体协调器的 LLM。在辅助转录的帮助下，

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，

消融研究证实了工具设计的有效性，通过将长视频分割为更短的片段并将其视作环境，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），有效地将原始查询分解为逐步细化的子查询来解答问题。右：LVBench 上的性能比较。选择具有适当参数的工具来从环境中逐步获取信息，

• 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)，

该系统在多个长视频基准测试上进行了全面评估，首先将长视频转化为多粒度的视频数据库，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。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）。从而赋予智能体自主、" 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。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、

LLM 作为核心认知驱动器，

图 3：不同基础模型在智能体中的行为分析。根据累积的知识和推理证据采取行动，通过统一将视频分割成短片段（例如 5 秒），在 LongVideoBench、" cms-width="677" cms-height="272.672" id="2"/>