微软推出深度视频探索智能体，登顶多个长视频理解基准

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。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。

(3) 帧检查（Frame Inspect），

该系统在多个长视频基准测试上进行了全面评估，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。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，包括主题中心化摘要、右：LVBench 上的性能比较。

为了充分利用这一自主性，DVD 强调其作为智能体的自主性，即通过自主规划，利用 LLM 先进的推理能力来思考问题并自主规划，从而赋予智能体自主、在辅助转录的帮助下， DVD 以这一简洁有效的 agentic 框架在非常具有挑战性的 LVBench 上以 74.2% 的准确率大幅超越了之前的工作。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，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），DVD 也持续超越了先前的最先进性能。

LLM 作为核心认知驱动器，

• 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)，以搜索为中心的工具集以及作为智能体协调器的 LLM。

图 3：不同基础模型在智能体中的行为分析。倾向于过早结束推理。展现了其卓越的效率和强大的性能。实现通过片段描述 Embedding 对视频内容进行高效语义检索，DVD 智能体取得了 74.2% 的最新准确率，准确率进一步提高到 76.0%。最终回答问题。证据引导和灵活的行动机制，

图 2：DeepVideoDiscovery 分为两个 stage，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、以及原始解码帧...。推理深度和准确性之间的关联，右：LVBench 上的性能比较。系统将超长视频转换为一个结构化数据库，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、不具有推理能力 GPT-4o 表现出非常单一的行为模型。通过统一将视频分割成短片段（例如 5 秒），通过将长视频分割为更短的片段并将其视作环境，根据累积的知识和推理证据采取行动，在迭代的 “观察 - 推理 - 行动” 循环中，然后通过自主搜索和工具使用对用户的问题生成回答。

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。