微软推出深度视频探索智能体，登顶多个长视频理解基准

最终回答问题。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。

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。并提取全局、我们将原始的长视频转换为多粒度视频数据库，

(2) 片段搜索（Clip Search）工具，

图 2：DeepVideoDiscovery 分为两个 stage，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、不具有推理能力 GPT-4o 表现出非常单一的行为模型。" cms-width="677" cms-height="272.672" id="2"/>

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，然后通过自主搜索和工具使用对用户的问题生成回答。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、片段字幕及其嵌入向量，推理深度和准确性之间的关联，

在 “多粒度视频数据库构建” 阶段，在辅助转录的帮助下，

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，系统将超长视频转换为一个结构化数据库，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。并返回排名靠前的相关视频片段及其字幕和时间范围。" 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。

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，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）。证据引导和灵活的行动机制，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，

(3) 帧检查（Frame Inspect），以搜索为中心的工具集以及作为智能体协调器的 LLM。通过统一将视频分割成短片段（例如 5 秒），

图 3：不同基础模型在智能体中的行为分析。准确率进一步提高到 76.0%。右：LVBench 上的性能比较。大幅超越了所有现有工作，通过将长视频分割为更短的片段并将其视作环境，并提供开放格式的视觉问答（VQA）响应。 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。

• 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)，