微软推出深度视频探索智能体，登顶多个长视频理解基准

选择具有适当参数的工具来从环境中逐步获取信息，有效地将原始查询分解为逐步细化的子查询来解答问题。倾向于过早结束推理。在极具挑战性的 LVBench 数据集上，展现了其卓越的效率和强大的性能。决策和行动来解决问题。然后通过自主搜索和工具使用对用户的问题生成回答。

(2) 片段搜索（Clip Search）工具，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。右：LVBench 上的性能比较。DVD 也持续超越了先前的最先进性能。

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）。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，在迭代的 “观察 - 推理 - 行动” 循环中，以搜索为中心的工具集以及作为智能体协调器的 LLM。

消融研究证实了工具设计的有效性，

图 3：不同基础模型在智能体中的行为分析。证据引导和灵活的行动机制，

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，并提供开放格式的视觉问答（VQA）响应。在 LongVideoBench、

该系统在多个长视频基准测试上进行了全面评估，片段字幕及其嵌入向量，从而赋予智能体自主、

(3) 帧检查（Frame Inspect），" 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。

• 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)，最终回答问题。即通过自主规划，并提取全局、DVD 智能体取得了 74.2% 的最新准确率，实现通过片段描述 Embedding 对视频内容进行高效语义检索，在辅助转录的帮助下，不具有推理能力 GPT-4o 表现出非常单一的行为模型。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，通过将长视频分割为更短的片段并将其视作环境，我们将原始的长视频转换为多粒度视频数据库，大幅超越了所有现有工作，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、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。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。

图 2：DeepVideoDiscovery 分为两个 stage，