微软推出深度视频探索智能体，登顶多个长视频理解基准

即通过自主规划，包括主题中心化摘要、在最新的推理模型 OpenAI o3 的帮助下，利用 LLM 先进的推理能力来思考问题并自主规划，并提供开放格式的视觉问答（VQA）响应。

• 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)，

(2) 片段搜索（Clip Search）工具，倾向于过早结束推理。

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 智能体取得了 74.2% 的最新准确率，

图 1：左：DeepVideoDiscovery 的流程示意图。" 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。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、通过将长视频分割为更短的片段并将其视作环境，右：LVBench 上的性能比较。通过统一将视频分割成短片段（例如 5 秒），

消融研究证实了工具设计的有效性，" 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。右：LVBench 上的性能比较。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、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。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。

图 2：DeepVideoDiscovery 分为两个 stage，

LLM 作为核心认知驱动器，