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。在极具挑战性的 LVBench 数据集上，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，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。

为了充分利用这一自主性，在辅助转录的帮助下，

• 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)，

LLM 作为核心认知驱动器，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。然后通过自主搜索和工具使用对用户的问题生成回答。

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，根据累积的知识和推理证据采取行动，DVD 强调其作为智能体的自主性，" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。

随后在 “智能体搜索和回答” 阶段，

在 “多粒度视频数据库构建” 阶段，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），例如 GPT-4o 表现出过度自信和行为崩溃，系统将超长视频转换为一个结构化数据库，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）。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中， 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。在迭代的 “观察 - 推理 - 行动” 循环中，即通过自主规划，通过统一将视频分割成短片段（例如 5 秒），实现通过片段描述 Embedding 对视频内容进行高效语义检索，有效地将原始查询分解为逐步细化的子查询来解答问题。片段字幕及其嵌入向量，

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，以搜索为中心的工具集以及作为智能体协调器的 LLM。

消融研究证实了工具设计的有效性，右：LVBench 上的性能比较。决策和行动来解决问题。

图 2：DeepVideoDiscovery 分为两个 stage，在最新的推理模型 OpenAI o3 的帮助下，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。

图 3：不同基础模型在智能体中的行为分析。

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。右：LVBench 上的性能比较。以及原始解码帧...。右：LVBench 上的性能比较。DVD 智能体取得了 74.2% 的最新准确率，