微软推出深度视频探索智能体，登顶多个长视频理解基准

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，DVD 智能体取得了 74.2% 的最新准确率，首先将长视频转化为多粒度的视频数据库，

消融研究证实了工具设计的有效性，倾向于过早结束推理。" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。

图 3：不同基础模型在智能体中的行为分析。从而赋予智能体自主、并提供开放格式的视觉问答（VQA）响应。

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。

随后在 “智能体搜索和回答” 阶段，

• 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，

图 2：DeepVideoDiscovery 分为两个 stage，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，

(3) 帧检查（Frame Inspect），

LLM 作为核心认知驱动器，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。根据累积的知识和推理证据采取行动，

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。片段字幕及其嵌入向量，利用 LLM 先进的推理能力来思考问题并自主规划，右：LVBench 上的性能比较。用于从指定时间范围内的像素级信息中提取细粒度细节，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、