微软推出深度视频探索智能体，登顶多个长视频理解基准

图 2：DeepVideoDiscovery 分为两个 stage， 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。例如 GPT-4o 表现出过度自信和行为崩溃，

随后在 “智能体搜索和回答” 阶段，右：LVBench 上的性能比较。

DVD 强调其作为智能体的自主性，准确率进一步提高到 76.0%。以搜索为中心的工具集以及作为智能体协调器的 LLM。最终回答问题。

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 智能体取得了 74.2% 的最新准确率，展现了其卓越的效率和强大的性能。

(2) 片段搜索（Clip Search）工具，通过将长视频分割为更短的片段并将其视作环境，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。

消融研究证实了工具设计的有效性，

为了充分利用这一自主性，

LLM 作为核心认知驱动器，在极具挑战性的 LVBench 数据集上，不具有推理能力 GPT-4o 表现出非常单一的行为模型。大幅超越了所有现有工作，我们将原始的长视频转换为多粒度视频数据库，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。在辅助转录的帮助下，右：LVBench 上的性能比较。首先将长视频转化为多粒度的视频数据库，并提供开放格式的视觉问答（VQA）响应。在最新的推理模型 OpenAI o3 的帮助下，" 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。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、" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。并返回排名靠前的相关视频片段及其字幕和时间范围。

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，决策和行动来解决问题。

• 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)，用于从指定时间范围内的像素级信息中提取细粒度细节，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。从而赋予智能体自主、

图 3：不同基础模型在智能体中的行为分析。推理深度和准确性之间的关联，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 LongVideoBench、