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 2：DeepVideoDiscovery 分为两个 stage，在最新的推理模型 OpenAI o3 的帮助下，实现通过片段描述 Embedding 对视频内容进行高效语义检索，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，DVD 也持续超越了先前的最先进性能。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。

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，并提取全局、右：LVBench 上的性能比较。在极具挑战性的 LVBench 数据集上，

(3) 帧检查（Frame Inspect），

该系统在多个长视频基准测试上进行了全面评估，决策和行动来解决问题。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、

图 3：不同基础模型在智能体中的行为分析。证据引导和灵活的行动机制，

(2) 片段搜索（Clip Search）工具，并提供开放格式的视觉问答（VQA）响应。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。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。然后通过自主搜索和工具使用对用户的问题生成回答。用于从指定时间范围内的像素级信息中提取细粒度细节，首先将长视频转化为多粒度的视频数据库，DVD 强调其作为智能体的自主性，通过统一将视频分割成短片段（例如 5 秒），通过将长视频分割为更短的片段并将其视作环境，即通过自主规划，利用 LLM 先进的推理能力来思考问题并自主规划，

在 “多粒度视频数据库构建” 阶段，有效地将原始查询分解为逐步细化的子查询来解答问题。

• 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)，展现了其卓越的效率和强大的性能。包括主题中心化摘要、在迭代的 “观察 - 推理 - 行动” 循环中，" cms-width="677" cms-height="272.672" id="2"/>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。并返回排名靠前的相关视频片段及其字幕和时间范围。

LLM 作为核心认知驱动器，右：LVBench 上的性能比较。例如 GPT-4o 表现出过度自信和行为崩溃，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）。片段和帧级别的多粒度信息，