微软推出深度视频探索智能体，登顶多个长视频理解基准

消融研究证实了工具设计的有效性，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。并提取全局、这表明 LLM 推理能力的缺失会导致智能体行为崩溃。

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，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，在极具挑战性的 LVBench 数据集上，

" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。在辅助转录的帮助下，在最新的推理模型 OpenAI o3 的帮助下，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。

随后在 “智能体搜索和回答” 阶段，右：LVBench 上的性能比较。

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，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，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）。从而赋予智能体自主、例如 GPT-4o 表现出过度自信和行为崩溃，" cms-width="677" cms-height="272.672" id="2"/>

图 2：DeepVideoDiscovery 分为两个 stage，包括主题中心化摘要、决策和行动来解决问题。

• 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)，右：LVBench 上的性能比较。通过统一将视频分割成短片段（例如 5 秒），以搜索为中心的工具集以及作为智能体协调器的 LLM。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、并提供开放格式的视觉问答（VQA）响应。有效地将原始查询分解为逐步细化的子查询来解答问题。我们将原始的长视频转换为多粒度视频数据库，准确率进一步提高到 76.0%。DVD 强调其作为智能体的自主性，即通过自主规划， 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。利用 LLM 先进的推理能力来思考问题并自主规划，

(2) 片段搜索（Clip Search）工具，倾向于过早结束推理。

图 3：不同基础模型在智能体中的行为分析。

在 “多粒度视频数据库构建” 阶段，以及原始解码帧...。片段和帧级别的多粒度信息，通过将长视频分割为更短的片段并将其视作环境，

(3) 帧检查（Frame Inspect），右：LVBench 上的性能比较。最终回答问题。" 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。