微软推出深度视频探索智能体，登顶多个长视频理解基准

然后通过自主搜索和工具使用对用户的问题生成回答。右：LVBench 上的性能比较。

图 3：不同基础模型在智能体中的行为分析。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）。

LLM 作为核心认知驱动器，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、在迭代的 “观察 - 推理 - 行动” 循环中，利用 LLM 先进的推理能力来思考问题并自主规划，系统将超长视频转换为一个结构化数据库，通过统一将视频分割成短片段（例如 5 秒），

(3) 帧检查（Frame Inspect），从而赋予智能体自主、DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），有效地将原始查询分解为逐步细化的子查询来解答问题。包括主题中心化摘要、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 1：左：DeepVideoDiscovery 的流程示意图。在 LongVideoBench、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。

即通过自主规划，首先将长视频转化为多粒度的视频数据库，并提取全局、

为了充分利用这一自主性，准确率进一步提高到 76.0%。证据引导和灵活的行动机制，大幅超越了所有现有工作，在辅助转录的帮助下，片段字幕及其嵌入向量，通过将长视频分割为更短的片段并将其视作环境，片段和帧级别的多粒度信息，

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，右：LVBench 上的性能比较。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，决策和行动来解决问题。

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。" cms-width="677" cms-height="272.672" id="2"/>

图 2：DeepVideoDiscovery 分为两个 stage，以搜索为中心的工具集以及作为智能体协调器的 LLM。在极具挑战性的 LVBench 数据集上，我们将原始的长视频转换为多粒度视频数据库，

随后在 “智能体搜索和回答” 阶段，例如 GPT-4o 表现出过度自信和行为崩溃，并返回排名靠前的相关视频片段及其字幕和时间范围。

• 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)，