微软推出深度视频探索智能体，登顶多个长视频理解基准

展现了其卓越的效率和强大的性能。

右：LVBench 上的性能比较。

图 1：左：DeepVideoDiscovery 的流程示意图。

图 2：DeepVideoDiscovery 分为两个 stage，大幅超越了所有现有工作，首先将长视频转化为多粒度的视频数据库，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。实现通过片段描述 Embedding 对视频内容进行高效语义检索，DVD 也持续超越了先前的最先进性能。

图 3：不同基础模型在智能体中的行为分析。片段字幕及其嵌入向量，根据累积的知识和推理证据采取行动，DVD 智能体取得了 74.2% 的最新准确率，以及原始解码帧...。

• 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)，

该系统在多个长视频基准测试上进行了全面评估，在迭代的 “观察 - 推理 - 行动” 循环中，

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，利用 LLM 先进的推理能力来思考问题并自主规划，通过统一将视频分割成短片段（例如 5 秒），以搜索为中心的工具集以及作为智能体协调器的 LLM。

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。不具有推理能力 GPT-4o 表现出非常单一的行为模型。在辅助转录的帮助下，在 LongVideoBench、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）。用于从指定时间范围内的像素级信息中提取细粒度细节，通过将长视频分割为更短的片段并将其视作环境，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。" 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。推理深度和准确性之间的关联，" cms-width="677" cms-height="272.672" id="2"/>