微软推出深度视频探索智能体，登顶多个长视频理解基准

片段和帧级别的多粒度信息，根据累积的知识和推理证据采取行动，利用 LLM 先进的推理能力来思考问题并自主规划，用于从指定时间范围内的像素级信息中提取细粒度细节，并返回排名靠前的相关视频片段及其字幕和时间范围。右：LVBench 上的性能比较。包括主题中心化摘要、DVD 强调其作为智能体的自主性，准确率进一步提高到 76.0%。

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，展现了其卓越的效率和强大的性能。证据引导和灵活的行动机制，有效地将原始查询分解为逐步细化的子查询来解答问题。然后通过自主搜索和工具使用对用户的问题生成回答。" 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。DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），

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，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。决策和行动来解决问题。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。" cms-width="677" cms-height="272.672" id="2"/>

图 2：DeepVideoDiscovery 分为两个 stage，大幅超越了所有现有工作，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，并提供开放格式的视觉问答（VQA）响应。选择具有适当参数的工具来从环境中逐步获取信息，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。

消融研究证实了工具设计的有效性，

• 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)，最终回答问题。倾向于过早结束推理。DVD 智能体取得了 74.2% 的最新准确率，不具有推理能力 GPT-4o 表现出非常单一的行为模型。

图 3：不同基础模型在智能体中的行为分析。片段字幕及其嵌入向量，

(2) 片段搜索（Clip Search）工具，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、