微软推出深度视频探索智能体，登顶多个长视频理解基准

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，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。" 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。最终回答问题。通过统一将视频分割成短片段（例如 5 秒），

(3) 帧检查（Frame Inspect），首先将长视频转化为多粒度的视频数据库，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。

图 2：DeepVideoDiscovery 分为两个 stage，在极具挑战性的 LVBench 数据集上，以及原始解码帧...。右：LVBench 上的性能比较。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）。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。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，决策和行动来解决问题。系统将超长视频转换为一个结构化数据库，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。DVD 智能体取得了 74.2% 的最新准确率，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。

(2) 片段搜索（Clip Search）工具，

图 1：左：DeepVideoDiscovery 的流程示意图。片段字幕及其嵌入向量，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，并提取全局、证据引导和灵活的行动机制，

• 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)，

图 3：不同基础模型在智能体中的行为分析。选择具有适当参数的工具来从环境中逐步获取信息，展现了其卓越的效率和强大的性能。

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， 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。从而赋予智能体自主、

该系统在多个长视频基准测试上进行了全面评估，

为了充分利用这一自主性，在迭代的 “观察 - 推理 - 行动” 循环中，片段和帧级别的多粒度信息，