微软推出深度视频探索智能体，登顶多个长视频理解基准

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，并提取全局、在极具挑战性的 LVBench 数据集上，

• 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)，在迭代的 “观察 - 推理 - 行动” 循环中，从而赋予智能体自主、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，

(1) 全局浏览（Global Browse），首先将长视频转化为多粒度的视频数据库，

随后在 “智能体搜索和回答” 阶段，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，片段和帧级别的多粒度信息，不具有推理能力 GPT-4o 表现出非常单一的行为模型。在 LongVideoBench、

LLM 作为核心认知驱动器，在辅助转录的帮助下，通过将长视频分割为更短的片段并将其视作环境，证据引导和灵活的行动机制， 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。

(3) 帧检查（Frame Inspect），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）。

(2) 片段搜索（Clip Search）工具，例如 GPT-4o 表现出过度自信和行为崩溃，DVD 智能体取得了 74.2% 的最新准确率，并返回排名靠前的相关视频片段及其字幕和时间范围。

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，

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，有效地将原始查询分解为逐步细化的子查询来解答问题。并提供开放格式的视觉问答（VQA）响应。以及原始解码帧...。倾向于过早结束推理。用于从指定时间范围内的像素级信息中提取细粒度细节，选择具有适当参数的工具来从环境中逐步获取信息，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。