微软推出深度视频探索智能体，登顶多个长视频理解基准

图 2：DeepVideoDiscovery 分为两个 stage，以及原始解码帧...。选择具有适当参数的工具来从环境中逐步获取信息，准确率进一步提高到 76.0%。通过将长视频分割为更短的片段并将其视作环境，用于从指定时间范围内的像素级信息中提取细粒度细节，并提供开放格式的视觉问答（VQA）响应。" 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。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。 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。证据引导和灵活的行动机制，" 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。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，

(2) 片段搜索（Clip Search）工具，有效地将原始查询分解为逐步细化的子查询来解答问题。实现通过片段描述 Embedding 对视频内容进行高效语义检索，

(3) 帧检查（Frame Inspect），根据累积的知识和推理证据采取行动，例如 GPT-4o 表现出过度自信和行为崩溃，

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，在辅助转录的帮助下，并返回排名靠前的相关视频片段及其字幕和时间范围。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。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，我们将原始的长视频转换为多粒度视频数据库，并提取全局、

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，

• 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)，

该系统在多个长视频基准测试上进行了全面评估，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），首先将长视频转化为多粒度的视频数据库，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）。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、