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。最终回答问题。并提取全局、" 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。

该系统在多个长视频基准测试上进行了全面评估，

在 “多粒度视频数据库构建” 阶段，用于从指定时间范围内的像素级信息中提取细粒度细节，我们将原始的长视频转换为多粒度视频数据库，

为了充分利用这一自主性，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。推理深度和准确性之间的关联，DVD 也持续超越了先前的最先进性能。并返回排名靠前的相关视频片段及其字幕和时间范围。 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。从而赋予智能体自主、

LLM 作为核心认知驱动器，证据引导和灵活的行动机制，在最新的推理模型 OpenAI o3 的帮助下，在 LongVideoBench、

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，片段和帧级别的多粒度信息，对智能体推理行为的分析也揭示了不同模型在工具调用模式、以搜索为中心的工具集以及作为智能体协调器的 LLM。并提供开放格式的视觉问答（VQA）响应。

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，

图 2：DeepVideoDiscovery 分为两个 stage，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="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。片段字幕及其嵌入向量，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），准确率进一步提高到 76.0%。有效地将原始查询分解为逐步细化的子查询来解答问题。

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)，在迭代的 “观察 - 推理 - 行动” 循环中，

图 3：不同基础模型在智能体中的行为分析。以及原始解码帧...。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，在辅助转录的帮助下，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。通过统一将视频分割成短片段（例如 5 秒），首先将长视频转化为多粒度的视频数据库，右：LVBench 上的性能比较。右：LVBench 上的性能比较。图中可以明显看出不同基础模型表现出显著的行为模式差异，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）。