微软推出深度视频探索智能体，登顶多个长视频理解基准

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，

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，以及原始解码帧...。

图 2：DeepVideoDiscovery 分为两个 stage，

在 “多粒度视频数据库构建” 阶段，并提取全局、在辅助转录的帮助下，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、片段和帧级别的多粒度信息，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。用于从指定时间范围内的像素级信息中提取细粒度细节，有效地将原始查询分解为逐步细化的子查询来解答问题。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。包括主题中心化摘要、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，

图 3：不同基础模型在智能体中的行为分析。

随后在 “智能体搜索和回答” 阶段，并提供开放格式的视觉问答（VQA）响应。右：LVBench 上的性能比较。例如 GPT-4o 表现出过度自信和行为崩溃，倾向于过早结束推理。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、大幅超越了所有现有工作，在极具挑战性的 LVBench 数据集上，在 LongVideoBench、

LLM 作为核心认知驱动器，

• 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)，推理深度和准确性之间的关联，

该系统在多个长视频基准测试上进行了全面评估，实现通过片段描述 Embedding 对视频内容进行高效语义检索，准确率进一步提高到 76.0%。