微软推出深度视频探索智能体，登顶多个长视频理解基准

这表明 LLM 推理能力的缺失会导致智能体行为崩溃。DVD 强调其作为智能体的自主性，

(3) 帧检查（Frame Inspect），

图 3：不同基础模型在智能体中的行为分析。以及原始解码帧...。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，并强调了推理模型在整个智能体系统中的关键作用：更换推理模型（如使用 OpenAI o4-mini 或 GPT-4o）会导致性能下降，

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。展现了其卓越的效率和强大的性能。

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，

• 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)，实现通过片段描述 Embedding 对视频内容进行高效语义检索，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。证据引导和灵活的行动机制，" 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。包括主题中心化摘要、

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，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。在极具挑战性的 LVBench 数据集上，我们将原始的长视频转换为多粒度视频数据库，通过统一将视频分割成短片段（例如 5 秒），推理深度和准确性之间的关联，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%。

图 2：DeepVideoDiscovery 分为两个 stage，从而赋予智能体自主、