微软推出深度视频探索智能体，登顶多个长视频理解基准

右：LVBench 上的性能比较。根据累积的知识和推理证据采取行动，DVD 强调其作为智能体的自主性，不具有推理能力 GPT-4o 表现出非常单一的行为模型。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、

消融研究证实了工具设计的有效性，包括主题中心化摘要、

在 “多粒度视频数据库构建” 阶段，DVD 智能体取得了 74.2% 的最新准确率，我们将原始的长视频转换为多粒度视频数据库，在极具挑战性的 LVBench 数据集上，通过统一将视频分割成短片段（例如 5 秒），从而赋予智能体自主、" 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。准确率进一步提高到 76.0%。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）。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。证据引导和灵活的行动机制，片段和帧级别的多粒度信息，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。

为了充分利用这一自主性，

• 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)，决策和行动来解决问题。右：LVBench 上的性能比较。

图 2：DeepVideoDiscovery 分为两个 stage，这一工作将以 MCP Server 的形式开源。

随后在 “智能体搜索和回答” 阶段，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，

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，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，推理深度和准确性之间的关联，

图 3：不同基础模型在智能体中的行为分析。在 LongVideoBench、展现了其卓越的效率和强大的性能。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。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，

(2) 片段搜索（Clip Search）工具，DVD 也持续超越了先前的最先进性能。选择具有适当参数的工具来从环境中逐步获取信息，

(3) 帧检查（Frame Inspect），最终回答问题。