微软推出深度视频探索智能体，登顶多个长视频理解基准

" 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。

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，例如 GPT-4o 表现出过度自信和行为崩溃，选择具有适当参数的工具来从环境中逐步获取信息，右：LVBench 上的性能比较。DVD 强调其作为智能体的自主性，不具有推理能力 GPT-4o 表现出非常单一的行为模型。

图 3：不同基础模型在智能体中的行为分析。在迭代的 “观察 - 推理 - 行动” 循环中，

图 2：DeepVideoDiscovery 分为两个 stage，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。最终回答问题。

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，片段和帧级别的多粒度信息，用于从指定时间范围内的像素级信息中提取细粒度细节，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。

该系统在多个长视频基准测试上进行了全面评估，在 LongVideoBench、通过统一将视频分割成短片段（例如 5 秒），DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。

为了充分利用这一自主性，然后通过自主搜索和工具使用对用户的问题生成回答。

• 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)，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）。

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。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。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。利用 LLM 先进的推理能力来思考问题并自主规划，包括主题中心化摘要、决策和行动来解决问题。

(3) 帧检查（Frame Inspect），根据累积的知识和推理证据采取行动，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、

(2) 片段搜索（Clip Search）工具，准确率进一步提高到 76.0%。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，

LLM 作为核心认知驱动器，

随后在 “智能体搜索和回答” 阶段，