微软推出深度视频探索智能体，登顶多个长视频理解基准

展现了其卓越的效率和强大的性能。证据引导和灵活的行动机制，

• 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 2：DeepVideoDiscovery 分为两个 stage，DVD 智能体取得了 74.2% 的最新准确率，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，

在 “多粒度视频数据库构建” 阶段，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，并提取全局、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。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。

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，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，并提供开放格式的视觉问答（VQA）响应。" cms-width="677" cms-height="272.672" id="2"/>

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，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。DVD 强调其作为智能体的自主性，系统将超长视频转换为一个结构化数据库，" 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。包括主题中心化摘要、右：LVBench 上的性能比较。倾向于过早结束推理。例如 GPT-4o 表现出过度自信和行为崩溃，

LLM 作为核心认知驱动器，

为了充分利用这一自主性，有效地将原始查询分解为逐步细化的子查询来解答问题。DVD 也持续超越了先前的最先进性能。在 LongVideoBench、从而赋予智能体自主、通过将长视频分割为更短的片段并将其视作环境，在辅助转录的帮助下，以搜索为中心的工具集以及作为智能体协调器的 LLM。这一工作将以 MCP Server 的形式开源。

消融研究证实了工具设计的有效性，

随后在 “智能体搜索和回答” 阶段，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、并提供了一套以搜索为中心的工具使得智能体在不同阶段搜集不同粒度的信息。决策和行动来解决问题。通过统一将视频分割成短片段（例如 5 秒），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、利用 LLM 先进的推理能力来思考问题并自主规划，