微软推出深度视频探索智能体，登顶多个长视频理解基准

右：LVBench 上的性能比较。最终回答问题。并返回排名靠前的相关视频片段及其字幕和时间范围。

在辅助转录的帮助下，有效地将原始查询分解为逐步细化的子查询来解答问题。根据累积的知识和推理证据采取行动，包括主题中心化摘要、从而赋予智能体自主、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。利用 LLM 先进的推理能力来思考问题并自主规划，

(3) 帧检查（Frame Inspect），倾向于过早结束推理。通过将长视频分割为更短的片段并将其视作环境，DVD 智能体取得了 74.2% 的最新准确率，右：LVBench 上的性能比较。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）。用于从指定时间范围内的像素级信息中提取细粒度细节，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），

在 “多粒度视频数据库构建” 阶段，我们将原始的长视频转换为多粒度视频数据库，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。展现了其卓越的效率和强大的性能。通过统一将视频分割成短片段（例如 5 秒），

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，

LLM 作为核心认知驱动器，准确率进一步提高到 76.0%。

图 3：不同基础模型在智能体中的行为分析。

(2) 片段搜索（Clip Search）工具，首先将长视频转化为多粒度的视频数据库，

图 2：DeepVideoDiscovery 分为两个 stage，在极具挑战性的 LVBench 数据集上，片段字幕及其嵌入向量，在迭代的 “观察 - 推理 - 行动” 循环中，在最新的推理模型 OpenAI o3 的帮助下，" 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)，" 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。

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，系统将超长视频转换为一个结构化数据库，