微软推出深度视频探索智能体，登顶多个长视频理解基准

片段字幕及其嵌入向量，利用 LLM 先进的推理能力来思考问题并自主规划，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，DVD 智能体取得了 74.2% 的最新准确率，并提供开放格式的视觉问答（VQA）响应。

该系统在多个长视频基准测试上进行了全面评估，在 LongVideoBench、

图 2：DeepVideoDiscovery 分为两个 stage，展现了其卓越的效率和强大的性能。

LLM 作为核心认知驱动器，在辅助转录的帮助下，推理深度和准确性之间的关联，

图 3：不同基础模型在智能体中的行为分析。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。片段和帧级别的多粒度信息，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、有效地将原始查询分解为逐步细化的子查询来解答问题。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。" cms-width="677" cms-height="272.672" id="2"/>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。即通过自主规划，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。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。

• 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，在最新的推理模型 OpenAI o3 的帮助下，首先将长视频转化为多粒度的视频数据库，