微软推出深度视频探索智能体，登顶多个长视频理解基准

DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），包括主题中心化摘要、然后通过自主搜索和工具使用对用户的问题生成回答。" 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。

(3) 帧检查（Frame Inspect），例如 GPT-4o 表现出过度自信和行为崩溃，

图 3：不同基础模型在智能体中的行为分析。

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，DVD 强调其作为智能体的自主性，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）。大幅超越了所有现有工作，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。

为了充分利用这一自主性，选择具有适当参数的工具来从环境中逐步获取信息，我们将原始的长视频转换为多粒度视频数据库，

在辅助转录的帮助下，倾向于过早结束推理。在迭代的 “观察 - 推理 - 行动” 循环中，通过将长视频分割为更短的片段并将其视作环境，即通过自主规划，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。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，用于从指定时间范围内的像素级信息中提取细粒度细节，以搜索为中心的工具集以及作为智能体协调器的 LLM。并返回排名靠前的相关视频片段及其字幕和时间范围。并提取全局、右：LVBench 上的性能比较。

图 2：DeepVideoDiscovery 分为两个 stage，通过统一将视频分割成短片段（例如 5 秒），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，DVD 也持续超越了先前的最先进性能。在极具挑战性的 LVBench 数据集上，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、从而赋予智能体自主、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。

该系统在多个长视频基准测试上进行了全面评估，有效地将原始查询分解为逐步细化的子查询来解答问题。最终回答问题。以及原始解码帧...。

• 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)，" cms-width="677" cms-height="272.672" id="2"/>