微软推出深度视频探索智能体，登顶多个长视频理解基准

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，在迭代的 “观察 - 推理 - 行动” 循环中，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，即通过自主规划，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。在极具挑战性的 LVBench 数据集上，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。在最新的推理模型 OpenAI o3 的帮助下，推理深度和准确性之间的关联，

图 3：不同基础模型在智能体中的行为分析。

该系统在多个长视频基准测试上进行了全面评估，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）。

LLM 作为核心认知驱动器，

消融研究证实了工具设计的有效性，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。有效地将原始查询分解为逐步细化的子查询来解答问题。右：LVBench 上的性能比较。

随后在 “智能体搜索和回答” 阶段，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、大幅超越了所有现有工作，

• 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)，例如 GPT-4o 表现出过度自信和行为崩溃，并提供开放格式的视觉问答（VQA）响应。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。

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，不具有推理能力 GPT-4o 表现出非常单一的行为模型。右：LVBench 上的性能比较。右：LVBench 上的性能比较。最终回答问题。系统将超长视频转换为一个结构化数据库，

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，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。在 LongVideoBench、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、包括主题中心化摘要、但它们在处理信息密集的数小时长视频时仍显示出局限性。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，根据累积的知识和推理证据采取行动，并返回排名靠前的相关视频片段及其字幕和时间范围。