微软推出深度视频探索智能体，登顶多个长视频理解基准

有效地将原始查询分解为逐步细化的子查询来解答问题。右：LVBench 上的性能比较。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。通过统一将视频分割成短片段（例如 5 秒），

随后在 “智能体搜索和回答” 阶段，用于从指定时间范围内的像素级信息中提取细粒度细节，

图 3：不同基础模型在智能体中的行为分析。我们将原始的长视频转换为多粒度视频数据库，

(3) 帧检查（Frame Inspect），证据引导和灵活的行动机制，不具有推理能力 GPT-4o 表现出非常单一的行为模型。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，在 LongVideoBench、

LLM 作为核心认知驱动器，

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，选择具有适当参数的工具来从环境中逐步获取信息，

• 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)，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，" 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。

图 1：左：DeepVideoDiscovery 的流程示意图。以及原始解码帧...。在最新的推理模型 OpenAI o3 的帮助下，右：LVBench 上的性能比较。然后通过自主搜索和工具使用对用户的问题生成回答。根据累积的知识和推理证据采取行动，

为了充分利用这一自主性，

图 2：DeepVideoDiscovery 分为两个 stage，决策和行动来解决问题。在辅助转录的帮助下，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。从而赋予智能体自主、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、用于获取高层上下文信息和视频内容的全局摘要（包括视频物体和事件摘要）。片段和帧级别的多粒度信息，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。

例如 GPT-4o 表现出过度自信和行为崩溃，