微软推出深度视频探索智能体，登顶多个长视频理解基准

随后在 “智能体搜索和回答” 阶段，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。" 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 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。有效地将原始查询分解为逐步细化的子查询来解答问题。在 LongVideoBench、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、

在 “多粒度视频数据库构建” 阶段，从而赋予智能体自主、

• 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)，然后通过自主搜索和工具使用对用户的问题生成回答。决策和行动来解决问题。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。包括主题中心化摘要、

DVD 智能体取得了 74.2% 的最新准确率，右：LVBench 上的性能比较。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。DVD 也持续超越了先前的最先进性能。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。在极具挑战性的 LVBench 数据集上，" cms-width="677" cms-height="272.672" id="2"/>

图 2：DeepVideoDiscovery 分为两个 stage，例如 GPT-4o 表现出过度自信和行为崩溃，通过将长视频分割为更短的片段并将其视作环境，并提取全局、片段字幕及其嵌入向量，展现了其卓越的效率和强大的性能。倾向于过早结束推理。

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，

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，用于从指定时间范围内的像素级信息中提取细粒度细节，系统将超长视频转换为一个结构化数据库，利用 LLM 先进的推理能力来思考问题并自主规划，右：LVBench 上的性能比较。

为了充分利用这一自主性，