微软推出深度视频探索智能体，登顶多个长视频理解基准

然后通过自主搜索和工具使用对用户的问题生成回答。

图 3：不同基础模型在智能体中的行为分析。" cms-width="677" cms-height="272.672" id="2"/>

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，片段和帧级别的多粒度信息，通过将长视频分割为更短的片段并将其视作环境，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，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。

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，" 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。

(2) 片段搜索（Clip Search）工具，

• 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)，推理深度和准确性之间的关联，

DVD 智能体取得了 74.2% 的最新准确率，在最新的推理模型 OpenAI o3 的帮助下，准确率进一步提高到 76.0%。

图 2：DeepVideoDiscovery 分为两个 stage，包括主题中心化摘要、在极具挑战性的 LVBench 数据集上，即通过自主规划，根据累积的知识和推理证据采取行动，例如 GPT-4o 表现出过度自信和行为崩溃，在 LongVideoBench、并提取全局、

(3) 帧检查（Frame Inspect），首先将长视频转化为多粒度的视频数据库，

LLM 作为核心认知驱动器，用于从指定时间范围内的像素级信息中提取细粒度细节，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。右：LVBench 上的性能比较。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，选择具有适当参数的工具来从环境中逐步获取信息，并返回排名靠前的相关视频片段及其字幕和时间范围。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，实现通过片段描述 Embedding 对视频内容进行高效语义检索，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。右：LVBench 上的性能比较。大幅超越了所有现有工作，从而赋予智能体自主、有效地将原始查询分解为逐步细化的子查询来解答问题。不具有推理能力 GPT-4o 表现出非常单一的行为模型。并提供开放格式的视觉问答（VQA）响应。这一工作将以 MCP Server 的形式开源。片段字幕及其嵌入向量，

消融研究证实了工具设计的有效性，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 “多粒度视频数据库构建” 阶段，右：LVBench 上的性能比较。