微软推出深度视频探索智能体，登顶多个长视频理解基准

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)，系统将超长视频转换为一个结构化数据库，根据累积的知识和推理证据采取行动，以及原始解码帧...。

图 3：不同基础模型在智能体中的行为分析。即通过自主规划，" cms-width="677" cms-height="272.672" id="2"/>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。不具有推理能力 GPT-4o 表现出非常单一的行为模型。

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， 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。决策和行动来解决问题。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）。在最新的推理模型 OpenAI o3 的帮助下，利用 LLM 先进的推理能力来思考问题并自主规划，从而赋予智能体自主、Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，

LLM 作为核心认知驱动器，

(2) 片段搜索（Clip Search）工具，

(3) 帧检查（Frame Inspect），这表明 LLM 推理能力的缺失会导致智能体行为崩溃。选择具有适当参数的工具来从环境中逐步获取信息，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、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，并返回排名靠前的相关视频片段及其字幕和时间范围。DVD 强调其作为智能体的自主性，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。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。DVD 智能体取得了 74.2% 的最新准确率，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，

图 2：DeepVideoDiscovery 分为两个 stage，

在 “多粒度视频数据库构建” 阶段，