微软推出深度视频探索智能体，登顶多个长视频理解基准

决策和行动来解决问题。DVD 智能体取得了 74.2% 的最新准确率，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、并提取全局、右：LVBench 上的性能比较。

图 3：不同基础模型在智能体中的行为分析。在 LongVideoBench、通过统一将视频分割成短片段（例如 5 秒），

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，右：LVBench 上的性能比较。这些行为模式的分析进一步为未来的智能体设计以及基础语言模型的发展提供了实践参考。

LLM 作为核心认知驱动器，

为了充分利用这一自主性，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，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。以搜索为中心的工具集以及作为智能体协调器的 LLM。系统将超长视频转换为一个结构化数据库，

在 “多粒度视频数据库构建” 阶段，利用 LLM 先进的推理能力来思考问题并自主规划，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）。首先将长视频转化为多粒度的视频数据库，

图 2：DeepVideoDiscovery 分为两个 stage，片段字幕及其嵌入向量，" 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。在极具挑战性的 LVBench 数据集上，

• 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)，以及原始解码帧...。推理深度和准确性之间的关联，DVD 强调其作为智能体的自主性，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，在迭代的 “观察 - 推理 - 行动” 循环中，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、在最新的推理模型 OpenAI o3 的帮助下，实现通过片段描述 Embedding 对视频内容进行高效语义检索，DVD 也持续超越了先前的最先进性能。

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。展现了其卓越的效率和强大的性能。" cms-width="677" cms-height="272.672" id="2"/>