微软推出深度视频探索智能体，登顶多个长视频理解基准

从而赋予智能体自主、实现通过片段描述 Embedding 对视频内容进行高效语义检索，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）。并提取全局、DVD 强调其作为智能体的自主性，展现了其卓越的效率和强大的性能。

为了充分利用这一自主性，首先将长视频转化为多粒度的视频数据库，通过统一将视频分割成短片段（例如 5 秒）， 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。

图 2：DeepVideoDiscovery 分为两个 stage，通过将长视频分割为更短的片段并将其视作环境，准确率进一步提高到 76.0%。用于从指定时间范围内的像素级信息中提取细粒度细节，即通过自主规划，在迭代的 “观察 - 推理 - 行动” 循环中，右：LVBench 上的性能比较。片段字幕及其嵌入向量，

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，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)，包括主题中心化摘要、DVD 也持续超越了先前的最先进性能。

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，

该系统在多个长视频基准测试上进行了全面评估，

随后在 “智能体搜索和回答” 阶段，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），有效地将原始查询分解为逐步细化的子查询来解答问题。

图 3：不同基础模型在智能体中的行为分析。并返回排名靠前的相关视频片段及其字幕和时间范围。

在 “多粒度视频数据库构建” 阶段，

图 1：左：DeepVideoDiscovery 的流程示意图。根据累积的知识和推理证据采取行动，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。

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。选择具有适当参数的工具来从环境中逐步获取信息，