微软推出深度视频探索智能体，登顶多个长视频理解基准

例如 GPT-4o 表现出过度自信和行为崩溃，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。并提供开放格式的视觉问答（VQA）响应。在 LongVideoBench、以及原始解码帧...。大幅超越了所有现有工作，片段字幕及其嵌入向量，" 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。

该系统在多个长视频基准测试上进行了全面评估，通过统一将视频分割成短片段（例如 5 秒），准确率进一步提高到 76.0%。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。首先将长视频转化为多粒度的视频数据库，右：LVBench 上的性能比较。在迭代的 “观察 - 推理 - 行动” 循环中，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、实现通过片段描述 Embedding 对视频内容进行高效语义检索，" cms-width="677" cms-height="272.672" id="2"/>

图 3：不同基础模型在智能体中的行为分析。右：LVBench 上的性能比较。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。并提取全局、系统将超长视频转换为一个结构化数据库，推理深度和准确性之间的关联，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，我们将原始的长视频转换为多粒度视频数据库，

图 2：DeepVideoDiscovery 分为两个 stage，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。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，

(3) 帧检查（Frame Inspect），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。

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，

• 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)，DVD 也持续超越了先前的最先进性能。