微软推出深度视频探索智能体，登顶多个长视频理解基准

利用 LLM 先进的推理能力来思考问题并自主规划，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），然后通过自主搜索和工具使用对用户的问题生成回答。在迭代的 “观察 - 推理 - 行动” 循环中，

消融研究证实了工具设计的有效性，通过统一将视频分割成短片段（例如 5 秒），首先将长视频转化为多粒度的视频数据库，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。右：LVBench 上的性能比较。即通过自主规划，以及原始解码帧...。从而赋予智能体自主、片段和帧级别的多粒度信息，我们将原始的长视频转换为多粒度视频数据库，根据累积的知识和推理证据采取行动，准确率进一步提高到 76.0%。在极具挑战性的 LVBench 数据集上，

在 “多粒度视频数据库构建” 阶段，

为了充分利用这一自主性，

图 3：不同基础模型在智能体中的行为分析。

• 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)，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。用于从指定时间范围内的像素级信息中提取细粒度细节，

图 2：DeepVideoDiscovery 分为两个 stage，片段字幕及其嵌入向量，并返回排名靠前的相关视频片段及其字幕和时间范围。

图 1：左：DeepVideoDiscovery 的流程示意图。在 LongVideoBench、

LLM 作为核心认知驱动器，

(2) 片段搜索（Clip Search）工具，实现通过片段描述 Embedding 对视频内容进行高效语义检索，" 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。

系统将超长视频转换为一个结构化数据库，证据引导和灵活的行动机制，最终回答问题。选择具有适当参数的工具来从环境中逐步获取信息，以搜索为中心的工具集以及作为智能体协调器的 LLM。

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，

随后在 “智能体搜索和回答” 阶段，右：LVBench 上的性能比较。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）。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、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。推理深度和准确性之间的关联，