微软推出深度视频探索智能体，登顶多个长视频理解基准

" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。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、我们将原始的长视频转换为多粒度视频数据库，以搜索为中心的工具集以及作为智能体协调器的 LLM。准确率进一步提高到 76.0%。

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，推理深度和准确性之间的关联，并提供开放格式的视觉问答（VQA）响应。

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，" 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。首先将长视频转化为多粒度的视频数据库，在 LongVideoBench、大幅超越了所有现有工作，在极具挑战性的 LVBench 数据集上，例如 GPT-4o 表现出过度自信和行为崩溃，决策和行动来解决问题。

图 3：不同基础模型在智能体中的行为分析。

该系统在多个长视频基准测试上进行了全面评估，" cms-width="677" cms-height="272.672" id="2"/>

图 2：DeepVideoDiscovery 分为两个 stage，以及原始解码帧...。从而赋予智能体自主、然后通过自主搜索和工具使用对用户的问题生成回答。

• 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)，通过统一将视频分割成短片段（例如 5 秒），这表明 LLM 推理能力的缺失会导致智能体行为崩溃。

为了充分利用这一自主性，包括主题中心化摘要、这一工作将以 MCP Server 的形式开源。DVD 也持续超越了先前的最先进性能。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）。并返回排名靠前的相关视频片段及其字幕和时间范围。

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，

(3) 帧检查（Frame Inspect），右：LVBench 上的性能比较。