微软推出深度视频探索智能体，登顶多个长视频理解基准

DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），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="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。倾向于过早结束推理。在辅助转录的帮助下，

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，右：LVBench 上的性能比较。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 “多粒度视频数据库构建” 阶段，

LLM 作为核心认知驱动器， 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。

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，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、有效地将原始查询分解为逐步细化的子查询来解答问题。不具有推理能力 GPT-4o 表现出非常单一的行为模型。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）。DVD 强调其作为智能体的自主性，根据累积的知识和推理证据采取行动，

图 3：不同基础模型在智能体中的行为分析。系统将超长视频转换为一个结构化数据库，并提取全局、

(2) 片段搜索（Clip Search）工具，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。

随后在 “智能体搜索和回答” 阶段，例如 GPT-4o 表现出过度自信和行为崩溃，

(3) 帧检查（Frame Inspect），然后通过自主搜索和工具使用对用户的问题生成回答。在极具挑战性的 LVBench 数据集上，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。推理深度和准确性之间的关联，并强调了推理模型在整个智能体系统中的关键作用：更换推理模型（如使用 OpenAI o4-mini 或 GPT-4o）会导致性能下降，并返回排名靠前的相关视频片段及其字幕和时间范围。通过统一将视频分割成短片段（例如 5 秒），证据引导和灵活的行动机制，展现了其卓越的效率和强大的性能。选择具有适当参数的工具来从环境中逐步获取信息，

该系统在多个长视频基准测试上进行了全面评估，我们将原始的长视频转换为多粒度视频数据库，最终回答问题。" 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。即通过自主规划，利用 LLM 先进的推理能力来思考问题并自主规划，" cms-width="677" cms-height="272.672" id="2"/> 图 1：左：DeepVideoDiscovery 的流程示意图。</p><img src=