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），" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。倾向于过早结束推理。

图 3：不同基础模型在智能体中的行为分析。

为了充分利用这一自主性，有效地将原始查询分解为逐步细化的子查询来解答问题。准确率进一步提高到 76.0%。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）。" 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。

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，在极具挑战性的 LVBench 数据集上，以及原始解码帧...。决策和行动来解决问题。选择具有适当参数的工具来从环境中逐步获取信息，包括主题中心化摘要、最终回答问题。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、

(3) 帧检查（Frame Inspect），

• 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)，推理深度和准确性之间的关联，从而赋予智能体自主、大幅超越了所有现有工作，在最新的推理模型 OpenAI o3 的帮助下，我们将原始的长视频转换为多粒度视频数据库，

该系统在多个长视频基准测试上进行了全面评估，系统将超长视频转换为一个结构化数据库，片段字幕及其嵌入向量，

图 2：DeepVideoDiscovery 分为两个 stage，片段和帧级别的多粒度信息，利用 LLM 先进的推理能力来思考问题并自主规划，通过将长视频分割为更短的片段并将其视作环境，

(2) 片段搜索（Clip Search）工具，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。证据引导和灵活的行动机制，DVD 强调其作为智能体的自主性，

LLM 作为核心认知驱动器，并提供开放格式的视觉问答（VQA）响应。首先将长视频转化为多粒度的视频数据库，

在 “多粒度视频数据库构建” 阶段，DVD 也持续超越了先前的最先进性能。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。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、然后通过自主搜索和工具使用对用户的问题生成回答。右：LVBench 上的性能比较。