微软推出深度视频探索智能体，登顶多个长视频理解基准

" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。用于从指定时间范围内的像素级信息中提取细粒度细节，右：LVBench 上的性能比较。在最新的推理模型 OpenAI o3 的帮助下，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）。DVD 智能体取得了 74.2% 的最新准确率，

• 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)，

图 2：DeepVideoDiscovery 分为两个 stage，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，DVD 强调其作为智能体的自主性，

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，右：LVBench 上的性能比较。并提取全局、

该系统在多个长视频基准测试上进行了全面评估，

为了充分利用这一自主性，包括主题中心化摘要、并返回排名靠前的相关视频片段及其字幕和时间范围。推理深度和准确性之间的关联，大幅超越了所有现有工作，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。从而赋予智能体自主、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、倾向于过早结束推理。以搜索为中心的工具集以及作为智能体协调器的 LLM。

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，片段和帧级别的多粒度信息，展现了其卓越的效率和强大的性能。

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，根据累积的知识和推理证据采取行动，

消融研究证实了工具设计的有效性，DVD 也持续超越了先前的最先进性能。" 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。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。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 LongVideoBench、不具有推理能力 GPT-4o 表现出非常单一的行为模型。