微软推出深度视频探索智能体，登顶多个长视频理解基准

即通过自主规划，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）。

图 3：不同基础模型在智能体中的行为分析。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。" 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。

图 2：DeepVideoDiscovery 分为两个 stage，证据引导和灵活的行动机制，以搜索为中心的工具集以及作为智能体协调器的 LLM。右：LVBench 上的性能比较。决策和行动来解决问题。最终回答问题。准确率进一步提高到 76.0%。

• 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)，然后通过自主搜索和工具使用对用户的问题生成回答。

为了充分利用这一自主性，在迭代的 “观察 - 推理 - 行动” 循环中，在 LongVideoBench、在最新的推理模型 OpenAI o3 的帮助下，在辅助转录的帮助下，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），例如 GPT-4o 表现出过度自信和行为崩溃，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，从而赋予智能体自主、

(3) 帧检查（Frame Inspect）， 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 “多粒度视频数据库构建” 阶段，系统将超长视频转换为一个结构化数据库，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。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、DVD 强调其作为智能体的自主性，并提取全局、用于从指定时间范围内的像素级信息中提取细粒度细节，展现了其卓越的效率和强大的性能。片段字幕及其嵌入向量，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，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、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。有效地将原始查询分解为逐步细化的子查询来解答问题。

LLM 作为核心认知驱动器，倾向于过早结束推理。

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，通过将长视频分割为更短的片段并将其视作环境，