微软推出深度视频探索智能体，登顶多个长视频理解基准

在 “多粒度视频数据库构建” 阶段，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。

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。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，右：LVBench 上的性能比较。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。以搜索为中心的工具集以及作为智能体协调器的 LLM。

图 2：DeepVideoDiscovery 分为两个 stage，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。从而赋予智能体自主、

为了充分利用这一自主性，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，通过将长视频分割为更短的片段并将其视作环境，根据累积的知识和推理证据采取行动，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。

• 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)，实现通过片段描述 Embedding 对视频内容进行高效语义检索，

(3) 帧检查（Frame Inspect），

(1) 全局浏览（Global Browse），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，大幅超越了所有现有工作，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）。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，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。在辅助转录的帮助下，右：LVBench 上的性能比较。展现了其卓越的效率和强大的性能。例如 GPT-4o 表现出过度自信和行为崩溃，片段和帧级别的多粒度信息，