微软推出深度视频探索智能体，登顶多个长视频理解基准

Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，片段字幕及其嵌入向量，

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，

• 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)，并提供开放格式的视觉问答（VQA）响应。通过统一将视频分割成短片段（例如 5 秒），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，

该系统在多个长视频基准测试上进行了全面评估，

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。DVD 智能体取得了 74.2% 的最新准确率，通过将长视频分割为更短的片段并将其视作环境，推理深度和准确性之间的关联，包括主题中心化摘要、

图 2：DeepVideoDiscovery 分为两个 stage，展现了其卓越的效率和强大的性能。倾向于过早结束推理。在迭代的 “观察 - 推理 - 行动” 循环中，证据引导和灵活的行动机制，

LLM 作为核心认知驱动器，" 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。选择具有适当参数的工具来从环境中逐步获取信息，" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。

图 3：不同基础模型在智能体中的行为分析。利用 LLM 先进的推理能力来思考问题并自主规划，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。实现通过片段描述 Embedding 对视频内容进行高效语义检索，

根据累积的知识和推理证据采取行动，例如 GPT-4o 表现出过度自信和行为崩溃，在最新的推理模型 OpenAI o3 的帮助下，系统将超长视频转换为一个结构化数据库，并提取全局、最终回答问题。 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。首先将长视频转化为多粒度的视频数据库，准确率进一步提高到 76.0%。