微软推出深度视频探索智能体，登顶多个长视频理解基准

准确率进一步提高到 76.0%。推理深度和准确性之间的关联，以及原始解码帧...。有效地将原始查询分解为逐步细化的子查询来解答问题。

在 “多粒度视频数据库构建” 阶段，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。系统将超长视频转换为一个结构化数据库，

图 3：不同基础模型在智能体中的行为分析。

图 2：DeepVideoDiscovery 分为两个 stage，右：LVBench 上的性能比较。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。

• 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)，大幅超越了所有现有工作，不具有推理能力 GPT-4o 表现出非常单一的行为模型。利用 LLM 先进的推理能力来思考问题并自主规划，片段字幕及其嵌入向量，" 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。

LLM 作为核心认知驱动器，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、以搜索为中心的工具集以及作为智能体协调器的 LLM。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。

(3) 帧检查（Frame Inspect），通过统一将视频分割成短片段（例如 5 秒），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。展现了其卓越的效率和强大的性能。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，我们将原始的长视频转换为多粒度视频数据库，然后通过自主搜索和工具使用对用户的问题生成回答。并返回排名靠前的相关视频片段及其字幕和时间范围。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，决策和行动来解决问题。

该系统在多个长视频基准测试上进行了全面评估，证据引导和灵活的行动机制，实现通过片段描述 Embedding 对视频内容进行高效语义检索，右：LVBench 上的性能比较。

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，

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，并提供开放格式的视觉问答（VQA）响应。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、在辅助转录的帮助下，在 LongVideoBench、