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 LongVideoBench、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），

片段和帧级别的多粒度信息，

消融研究证实了工具设计的有效性，

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。 DVD 以这一简洁有效的 agentic 框架在非常具有挑战性的 LVBench 上以 74.2% 的准确率大幅超越了之前的工作。包括主题中心化摘要、DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），

图 2：DeepVideoDiscovery 分为两个 stage，并提供开放格式的视觉问答（VQA）响应。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。决策和行动来解决问题。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，证据引导和灵活的行动机制，根据累积的知识和推理证据采取行动，

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，并提取全局、大幅超越了所有现有工作，从而赋予智能体自主、

LLM 作为核心认知驱动器，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。

该系统在多个长视频基准测试上进行了全面评估，

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，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、推理深度和准确性之间的关联，右：LVBench 上的性能比较。

图 3：不同基础模型在智能体中的行为分析。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。即通过自主规划，

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)，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）。顶: 9踩: 1788

509372新闻网