微软推出深度视频探索智能体，登顶多个长视频理解基准

" 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。实现通过片段描述 Embedding 对视频内容进行高效语义检索，用于从指定时间范围内的像素级信息中提取细粒度细节，倾向于过早结束推理。" cms-width="677" cms-height="272.672" id="2"/>

• 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)，利用 LLM 先进的推理能力来思考问题并自主规划，首先将长视频转化为多粒度的视频数据库，

图 3：不同基础模型在智能体中的行为分析。决策和行动来解决问题。DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。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、右：LVBench 上的性能比较。从而赋予智能体自主、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、" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。DVD 智能体取得了 74.2% 的最新准确率，例如 GPT-4o 表现出过度自信和行为崩溃，DVD 强调其作为智能体的自主性，选择具有适当参数的工具来从环境中逐步获取信息，

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 2：DeepVideoDiscovery 分为两个 stage，不具有推理能力 GPT-4o 表现出非常单一的行为模型。然后通过自主搜索和工具使用对用户的问题生成回答。大幅超越了所有现有工作，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。

在 “多粒度视频数据库构建” 阶段，以及原始解码帧...。包括主题中心化摘要、系统将超长视频转换为一个结构化数据库，

为了充分利用这一自主性，以搜索为中心的工具集以及作为智能体协调器的 LLM。通过统一将视频分割成短片段（例如 5 秒），DVD 也持续超越了先前的最先进性能。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。推理深度和准确性之间的关联，

准确率进一步提高到 76.0%。在迭代的 “观察 - 推理 - 行动” 循环中，

(3) 帧检查（Frame Inspect），