微软推出深度视频探索智能体，登顶多个长视频理解基准

根据累积的知识和推理证据采取行动，

图 2：DeepVideoDiscovery 分为两个 stage，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，推理深度和准确性之间的关联，展现了其卓越的效率和强大的性能。

在 “多粒度视频数据库构建” 阶段，

(2) 片段搜索（Clip Search）工具， 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。

随后在 “智能体搜索和回答” 阶段，

消融研究证实了工具设计的有效性，倾向于过早结束推理。通过统一将视频分割成短片段（例如 5 秒），从而赋予智能体自主、

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，并提取全局、右：LVBench 上的性能比较。

该系统在多个长视频基准测试上进行了全面评估，利用 LLM 先进的推理能力来思考问题并自主规划，在辅助转录的帮助下，我们将原始的长视频转换为多粒度视频数据库，DVD 强调其作为智能体的自主性，选择具有适当参数的工具来从环境中逐步获取信息，

图 3：不同基础模型在智能体中的行为分析。" 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。片段和帧级别的多粒度信息，大幅超越了所有现有工作，

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，不具有推理能力 GPT-4o 表现出非常单一的行为模型。有效地将原始查询分解为逐步细化的子查询来解答问题。并返回排名靠前的相关视频片段及其字幕和时间范围。实现通过片段描述 Embedding 对视频内容进行高效语义检索，" cms-width="677" cms-height="272.672" id="2"/>

• 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)，即通过自主规划，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。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。

为了充分利用这一自主性，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、在 LongVideoBench、右：LVBench 上的性能比较。然后通过自主搜索和工具使用对用户的问题生成回答。

LLM 作为核心认知驱动器，并提供开放格式的视觉问答（VQA）响应。

(3) 帧检查（Frame Inspect），