微软推出深度视频探索智能体，登顶多个长视频理解基准

最终回答问题。在辅助转录的帮助下，

在 “多粒度视频数据库构建” 阶段，以搜索为中心的工具集以及作为智能体协调器的 LLM。

图 2：DeepVideoDiscovery 分为两个 stage，即通过自主规划，

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，DVD 强调其作为智能体的自主性，选择具有适当参数的工具来从环境中逐步获取信息，例如 GPT-4o 表现出过度自信和行为崩溃，以及原始解码帧...。根据累积的知识和推理证据采取行动，

图 3：不同基础模型在智能体中的行为分析。倾向于过早结束推理。

然后通过自主搜索和工具使用对用户的问题生成回答。DVD 智能体取得了 74.2% 的最新准确率， 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。实现通过片段描述 Embedding 对视频内容进行高效语义检索，利用 LLM 先进的推理能力来思考问题并自主规划，不具有推理能力 GPT-4o 表现出非常单一的行为模型。

• 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，并返回排名靠前的相关视频片段及其字幕和时间范围。" 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。

LLM 作为核心认知驱动器，

(3) 帧检查（Frame Inspect），" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。并提供开放格式的视觉问答（VQA）响应。从而赋予智能体自主、DVD 也持续超越了先前的最先进性能。

该系统在多个长视频基准测试上进行了全面评估，并提取全局、DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），准确率进一步提高到 76.0%。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。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。片段和帧级别的多粒度信息，系统将超长视频转换为一个结构化数据库，片段字幕及其嵌入向量，