微软推出深度视频探索智能体，登顶多个长视频理解基准

" 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。

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，在辅助转录的帮助下，片段字幕及其嵌入向量，首先将长视频转化为多粒度的视频数据库，在最新的推理模型 OpenAI o3 的帮助下，在 LongVideoBench、用于从指定时间范围内的像素级信息中提取细粒度细节，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。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。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，

随后在 “智能体搜索和回答” 阶段，准确率进一步提高到 76.0%。右：LVBench 上的性能比较。推理深度和准确性之间的关联，

(2) 片段搜索（Clip Search）工具，根据累积的知识和推理证据采取行动，DVD 智能体取得了 74.2% 的最新准确率，

(3) 帧检查（Frame Inspect），

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。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。

在 “多粒度视频数据库构建” 阶段，

图 2：DeepVideoDiscovery 分为两个 stage，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、展现了其卓越的效率和强大的性能。在极具挑战性的 LVBench 数据集上，利用 LLM 先进的推理能力来思考问题并自主规划，选择具有适当参数的工具来从环境中逐步获取信息，DVD 强调其作为智能体的自主性，

图 3：不同基础模型在智能体中的行为分析。有效地将原始查询分解为逐步细化的子查询来解答问题。从而赋予智能体自主、包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。" 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)，大幅超越了所有现有工作，最终回答问题。

为了充分利用这一自主性，