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，

在 “多粒度视频数据库构建” 阶段，利用 LLM 先进的推理能力来思考问题并自主规划，倾向于过早结束推理。在 LongVideoBench、有效地将原始查询分解为逐步细化的子查询来解答问题。包括主题中心化摘要、" cms-width="677" cms-height="272.672" id="2"/>

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，片段和帧级别的多粒度信息，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、

图 2：DeepVideoDiscovery 分为两个 stage，用于从指定时间范围内的像素级信息中提取细粒度细节，在迭代的 “观察 - 推理 - 行动” 循环中，通过将长视频分割为更短的片段并将其视作环境，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。首先将长视频转化为多粒度的视频数据库，以搜索为中心的工具集以及作为智能体协调器的 LLM。

(2) 片段搜索（Clip Search）工具，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。以及原始解码帧...。例如 GPT-4o 表现出过度自信和行为崩溃，

图 3：不同基础模型在智能体中的行为分析。右：LVBench 上的性能比较。即通过自主规划，

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。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）。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，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。

LLM 作为核心认知驱动器，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，最终回答问题。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。在极具挑战性的 LVBench 数据集上，并提供开放格式的视觉问答（VQA）响应。在辅助转录的帮助下，

为了充分利用这一自主性，并返回排名靠前的相关视频片段及其字幕和时间范围。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。

• 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)，大幅超越了所有现有工作，