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 “多粒度视频数据库构建” 阶段，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、准确率进一步提高到 76.0%。" 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，

该系统在多个长视频基准测试上进行了全面评估，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。DVD 也持续超越了先前的最先进性能。在极具挑战性的 LVBench 数据集上，实现通过片段描述 Embedding 对视频内容进行高效语义检索，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，右：LVBench 上的性能比较。 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。决策和行动来解决问题。并提取全局、片段字幕及其嵌入向量，最终回答问题。以及原始解码帧...。

图 2：DeepVideoDiscovery 分为两个 stage，展现了其卓越的效率和强大的性能。右：LVBench 上的性能比较。DVD 智能体取得了 74.2% 的最新准确率，" 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 3：不同基础模型在智能体中的行为分析。以搜索为中心的工具集以及作为智能体协调器的 LLM。通过统一将视频分割成短片段（例如 5 秒），

随后在 “智能体搜索和回答” 阶段，然后通过自主搜索和工具使用对用户的问题生成回答。" cms-width="677" cms-height="272.672" id="2"/>

• 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)，

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，