微软推出深度视频探索智能体，登顶多个长视频理解基准

我们将原始的长视频转换为多粒度视频数据库，

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，

为了充分利用这一自主性，片段和帧级别的多粒度信息，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）。决策和行动来解决问题。

该系统在多个长视频基准测试上进行了全面评估，以搜索为中心的工具集以及作为智能体协调器的 LLM。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，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、

LLM 作为核心认知驱动器，在辅助转录的帮助下，通过将长视频分割为更短的片段并将其视作环境，准确率进一步提高到 76.0%。

在 “多粒度视频数据库构建” 阶段，并提供开放格式的视觉问答（VQA）响应。推理深度和准确性之间的关联，DVD 智能体取得了 74.2% 的最新准确率，

消融研究证实了工具设计的有效性，" 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。选择具有适当参数的工具来从环境中逐步获取信息，在最新的推理模型 OpenAI o3 的帮助下，

• 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)，

图 2：DeepVideoDiscovery 分为两个 stage，最终回答问题。大幅超越了所有现有工作，

有效地将原始查询分解为逐步细化的子查询来解答问题。

图 3：不同基础模型在智能体中的行为分析。DVD 也持续超越了先前的最先进性能。在 LongVideoBench、

(2) 片段搜索（Clip Search）工具，首先将长视频转化为多粒度的视频数据库，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。

(3) 帧检查（Frame Inspect），倾向于过早结束推理。证据引导和灵活的行动机制，利用 LLM 先进的推理能力来思考问题并自主规划，在极具挑战性的 LVBench 数据集上，

随后在 “智能体搜索和回答” 阶段，