微软推出深度视频探索智能体，登顶多个长视频理解基准

并提供开放格式的视觉问答（VQA）响应。

随后在 “智能体搜索和回答” 阶段，选择具有适当参数的工具来从环境中逐步获取信息，首先将长视频转化为多粒度的视频数据库，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。" cms-width="677" cms-height="272.672" id="2"/>

图 3：不同基础模型在智能体中的行为分析。

• 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)，

LLM 作为核心认知驱动器，有效地将原始查询分解为逐步细化的子查询来解答问题。

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，倾向于过早结束推理。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。片段字幕及其嵌入向量，

不具有推理能力 GPT-4o 表现出非常单一的行为模型。

为了充分利用这一自主性，最终回答问题。展现了其卓越的效率和强大的性能。通过将长视频分割为更短的片段并将其视作环境，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。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。准确率进一步提高到 76.0%。以及原始解码帧...。决策和行动来解决问题。DVD 也持续超越了先前的最先进性能。DVD 强调其作为智能体的自主性，

图 2：DeepVideoDiscovery 分为两个 stage，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，右：LVBench 上的性能比较。大幅超越了所有现有工作，在迭代的 “观察 - 推理 - 行动” 循环中，用于从指定时间范围内的像素级信息中提取细粒度细节，" 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。