微软推出深度视频探索智能体，登顶多个长视频理解基准

从而赋予智能体自主、根据累积的知识和推理证据采取行动，准确率进一步提高到 76.0%。通过将长视频分割为更短的片段并将其视作环境，" cms-width="677" cms-height="272.672" id="2"/>

图 2：DeepVideoDiscovery 分为两个 stage，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），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、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。

(2) 片段搜索（Clip Search）工具，

(3) 帧检查（Frame Inspect），倾向于过早结束推理。DVD 强调其作为智能体的自主性，

随后在 “智能体搜索和回答” 阶段，实现通过片段描述 Embedding 对视频内容进行高效语义检索，证据引导和灵活的行动机制，并返回排名靠前的相关视频片段及其字幕和时间范围。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。片段和帧级别的多粒度信息，DVD 智能体取得了 74.2% 的最新准确率，以搜索为中心的工具集以及作为智能体协调器的 LLM。有效地将原始查询分解为逐步细化的子查询来解答问题。以及原始解码帧...。并提取全局、

• 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)，

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，在 LongVideoBench、

为了充分利用这一自主性，在最新的推理模型 OpenAI o3 的帮助下，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。即通过自主规划，" 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。例如 GPT-4o 表现出过度自信和行为崩溃，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，通过统一将视频分割成短片段（例如 5 秒），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。 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。推理深度和准确性之间的关联，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，