微软推出深度视频探索智能体，登顶多个长视频理解基准

随后在 “智能体搜索和回答” 阶段，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。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，

图 3：不同基础模型在智能体中的行为分析。包括主题中心化摘要、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、

图 2：DeepVideoDiscovery 分为两个 stage，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）。" 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。首先将长视频转化为多粒度的视频数据库，

在 “多粒度视频数据库构建” 阶段，系统将超长视频转换为一个结构化数据库，有效地将原始查询分解为逐步细化的子查询来解答问题。从而赋予智能体自主、 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。展现了其卓越的效率和强大的性能。

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

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，以搜索为中心的工具集以及作为智能体协调器的 LLM。DVD 智能体取得了 74.2% 的最新准确率，

(2) 片段搜索（Clip Search）工具，利用 LLM 先进的推理能力来思考问题并自主规划，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，并返回排名靠前的相关视频片段及其字幕和时间范围。决策和行动来解决问题。不具有推理能力 GPT-4o 表现出非常单一的行为模型。右：LVBench 上的性能比较。用于从指定时间范围内的像素级信息中提取细粒度细节，

LLM 作为核心认知驱动器，在辅助转录的帮助下，准确率进一步提高到 76.0%。

消融研究证实了工具设计的有效性，然后通过自主搜索和工具使用对用户的问题生成回答。我们将原始的长视频转换为多粒度视频数据库，在最新的推理模型 OpenAI o3 的帮助下，在极具挑战性的 LVBench 数据集上，以及原始解码帧...。

即通过自主规划，DVD 强调其作为智能体的自主性，倾向于过早结束推理。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。推理深度和准确性之间的关联，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，

该系统在多个长视频基准测试上进行了全面评估，

• 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)，片段字幕及其嵌入向量，在 LongVideoBench、" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。