微软推出深度视频探索智能体，登顶多个长视频理解基准

• 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，以搜索为中心的工具集以及作为智能体协调器的 LLM。

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，准确率进一步提高到 76.0%。最终回答问题。我们将原始的长视频转换为多粒度视频数据库，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。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。大幅超越了所有现有工作，有效地将原始查询分解为逐步细化的子查询来解答问题。

(2) 片段搜索（Clip Search）工具，" 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。" 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。不具有推理能力 GPT-4o 表现出非常单一的行为模型。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中， 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。即通过自主规划，

图 2：DeepVideoDiscovery 分为两个 stage，证据引导和灵活的行动机制，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。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。实现通过片段描述 Embedding 对视频内容进行高效语义检索，在 LongVideoBench、

随后在 “智能体搜索和回答” 阶段，

在 “多粒度视频数据库构建” 阶段，系统将超长视频转换为一个结构化数据库，

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，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、用于从指定时间范围内的像素级信息中提取细粒度细节，决策和行动来解决问题。