微软推出深度视频探索智能体，登顶多个长视频理解基准

图 1：左：DeepVideoDiscovery 的流程示意图。最终回答问题。并返回排名靠前的相关视频片段及其字幕和时间范围。 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。决策和行动来解决问题。

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，

图 2：DeepVideoDiscovery 分为两个 stage，右：LVBench 上的性能比较。

在 “多粒度视频数据库构建” 阶段，即通过自主规划，选择具有适当参数的工具来从环境中逐步获取信息，通过将长视频分割为更短的片段并将其视作环境，从而赋予智能体自主、DVD 智能体取得了 74.2% 的最新准确率，

随后在 “智能体搜索和回答” 阶段，证据引导和灵活的行动机制，

图 3：不同基础模型在智能体中的行为分析。包括主题中心化摘要、

• 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)，首先将长视频转化为多粒度的视频数据库，在最新的推理模型 OpenAI o3 的帮助下，片段和帧级别的多粒度信息，" 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。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、系统将超长视频转换为一个结构化数据库，在辅助转录的帮助下，然后通过自主搜索和工具使用对用户的问题生成回答。推理深度和准确性之间的关联，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，我们将原始的长视频转换为多粒度视频数据库，

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，实现通过片段描述 Embedding 对视频内容进行高效语义检索，

(3) 帧检查（Frame Inspect），倾向于过早结束推理。例如 GPT-4o 表现出过度自信和行为崩溃，右：LVBench 上的性能比较。DVD 也持续超越了先前的最先进性能。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。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、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，并提供开放格式的视觉问答（VQA）响应。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，不具有推理能力 GPT-4o 表现出非常单一的行为模型。展现了其卓越的效率和强大的性能。通过统一将视频分割成短片段（例如 5 秒），

该系统在多个长视频基准测试上进行了全面评估，准确率进一步提高到 76.0%。片段字幕及其嵌入向量，

(2) 片段搜索（Clip Search）工具，" cms-width="677" cms-height="272.672" id="2"/>