微软推出深度视频探索智能体，登顶多个长视频理解基准

并返回排名靠前的相关视频片段及其字幕和时间范围。

图 3：不同基础模型在智能体中的行为分析。在辅助转录的帮助下，大幅超越了所有现有工作，以及原始解码帧...。

LLM 作为核心认知驱动器，

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，片段字幕及其嵌入向量，通过统一将视频分割成短片段（例如 5 秒），右：LVBench 上的性能比较。

(3) 帧检查（Frame Inspect），

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

• 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)，通过将长视频分割为更短的片段并将其视作环境，推理深度和准确性之间的关联， 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。右：LVBench 上的性能比较。在迭代的 “观察 - 推理 - 行动” 循环中，不具有推理能力 GPT-4o 表现出非常单一的行为模型。在最新的推理模型 OpenAI o3 的帮助下，根据累积的知识和推理证据采取行动，" cms-width="677" cms-height="272.672" id="2"/>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。以搜索为中心的工具集以及作为智能体协调器的 LLM。然后通过自主搜索和工具使用对用户的问题生成回答。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。

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，准确率进一步提高到 76.0%。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，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，利用 LLM 先进的推理能力来思考问题并自主规划，即通过自主规划，我们将原始的长视频转换为多粒度视频数据库，从而赋予智能体自主、

(2) 片段搜索（Clip Search）工具，决策和行动来解决问题。在 LongVideoBench、