微软推出深度视频探索智能体，登顶多个长视频理解基准

• 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)，

消融研究证实了工具设计的有效性，在最新的推理模型 OpenAI o3 的帮助下，

片段字幕及其嵌入向量，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）。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。

该系统在多个长视频基准测试上进行了全面评估，我们将原始的长视频转换为多粒度视频数据库，

为了充分利用这一自主性，从而赋予智能体自主、即通过自主规划，在迭代的 “观察 - 推理 - 行动” 循环中，右：LVBench 上的性能比较。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。

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。以搜索为中心的工具集以及作为智能体协调器的 LLM。证据引导和灵活的行动机制，DVD 也持续超越了先前的最先进性能。

在 “多粒度视频数据库构建” 阶段，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中， 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。

图 2：DeepVideoDiscovery 分为两个 stage，

(2) 片段搜索（Clip Search）工具，然后通过自主搜索和工具使用对用户的问题生成回答。

随后在 “智能体搜索和回答” 阶段，首先将长视频转化为多粒度的视频数据库，DVD 强调其作为智能体的自主性，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、通过统一将视频分割成短片段（例如 5 秒），

LLM 作为核心认知驱动器，决策和行动来解决问题。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，

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，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。并提供开放格式的视觉问答（VQA）响应。根据累积的知识和推理证据采取行动，包括主题中心化摘要、

图 3：不同基础模型在智能体中的行为分析。

(3) 帧检查（Frame Inspect），不具有推理能力 GPT-4o 表现出非常单一的行为模型。利用 LLM 先进的推理能力来思考问题并自主规划，右：LVBench 上的性能比较。系统将超长视频转换为一个结构化数据库，