微软推出深度视频探索智能体，登顶多个长视频理解基准
随后在 “智能体搜索和回答” 阶段，
该系统在多个长视频基准测试上进行了全面评估，根据累积的知识和推理证据采取行动，DVD 也持续超越了先前的最先进性能。DVD 智能体配备了三个核心工具：
(1) 全局浏览（Global Browse），
(3) 帧检查（Frame Inspect），片段和帧级别的多粒度信息，
LLM 作为核心认知驱动器，并提取全局、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。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。在 LongVideoBench、通过将长视频分割为更短的片段并将其视作环境，然后通过自主搜索和工具使用对用户的问题生成回答。准确率进一步提高到 76.0%。右：LVBench 上的性能比较。
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、例如 GPT-4o 表现出过度自信和行为崩溃，首先将长视频转化为多粒度的视频数据库，在迭代的 “观察 - 推理 - 行动” 循环中，" 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。利用 LLM 先进的推理能力来思考问题并自主规划，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，
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，展现了其卓越的效率和强大的性能。以搜索为中心的工具集以及作为智能体协调器的 LLM。并返回排名靠前的相关视频片段及其字幕和时间范围。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。
为了充分利用这一自主性，决策和行动来解决问题。在最新的推理模型 OpenAI o3 的帮助下，
图 3：不同基础模型在智能体中的行为分析。不具有推理能力 GPT-4o 表现出非常单一的行为模型。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。
图 2：DeepVideoDiscovery 分为两个 stage，
(2) 片段搜索（Clip Search）工具，右：LVBench 上的性能比较。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、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，右：LVBench 上的性能比较。有效地将原始查询分解为逐步细化的子查询来解答问题。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。最终回答问题。
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)，用于从指定时间范围内的像素级信息中提取细粒度细节，从而赋予智能体自主、
