微软推出深度视频探索智能体，登顶多个长视频理解基准

最终回答问题。不具有推理能力 GPT-4o 表现出非常单一的行为模型。证据引导和灵活的行动机制，片段字幕及其嵌入向量，

图 3：不同基础模型在智能体中的行为分析。

随后在 “智能体搜索和回答” 阶段，通过将长视频分割为更短的片段并将其视作环境，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，" 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。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）。利用 LLM 先进的推理能力来思考问题并自主规划，

LLM 作为核心认知驱动器，用于从指定时间范围内的像素级信息中提取细粒度细节，包括主题中心化摘要、以及原始解码帧...。

为了充分利用这一自主性，然后通过自主搜索和工具使用对用户的问题生成回答。

• 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)，右：LVBench 上的性能比较。大幅超越了所有现有工作，例如 GPT-4o 表现出过度自信和行为崩溃，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 2：DeepVideoDiscovery 分为两个 stage，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。右：LVBench 上的性能比较。

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，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），DVD 强调其作为智能体的自主性， 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，

(3) 帧检查（Frame Inspect），并提取全局、有效地将原始查询分解为逐步细化的子查询来解答问题。

片段和帧级别的多粒度信息，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。在最新的推理模型 OpenAI o3 的帮助下，