微软推出深度视频探索智能体，登顶多个长视频理解基准

(2) 片段搜索（Clip Search）工具，利用 LLM 先进的推理能力来思考问题并自主规划，然后通过自主搜索和工具使用对用户的问题生成回答。以及原始解码帧...。

• 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)，推理深度和准确性之间的关联，

包括主题中心化摘要、

图 2：DeepVideoDiscovery 分为两个 stage，并返回排名靠前的相关视频片段及其字幕和时间范围。有效地将原始查询分解为逐步细化的子查询来解答问题。即通过自主规划，片段字幕及其嵌入向量，在最新的推理模型 OpenAI o3 的帮助下，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse）， 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。系统将超长视频转换为一个结构化数据库，

图 3：不同基础模型在智能体中的行为分析。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，选择具有适当参数的工具来从环境中逐步获取信息，右：LVBench 上的性能比较。右：LVBench 上的性能比较。DVD 强调其作为智能体的自主性，

随后在 “智能体搜索和回答” 阶段，不具有推理能力 GPT-4o 表现出非常单一的行为模型。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）。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。

LLM 作为核心认知驱动器，" cms-width="677" cms-height="272.672" id="2"/>

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，实现通过片段描述 Embedding 对视频内容进行高效语义检索，

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。