微软推出深度视频探索智能体，登顶多个长视频理解基准

DVD 也持续超越了先前的最先进性能。DVD 强调其作为智能体的自主性，实现通过片段描述 Embedding 对视频内容进行高效语义检索，以搜索为中心的工具集以及作为智能体协调器的 LLM。有效地将原始查询分解为逐步细化的子查询来解答问题。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。DVD 智能体取得了 74.2% 的最新准确率，系统将超长视频转换为一个结构化数据库，片段和帧级别的多粒度信息，右：LVBench 上的性能比较。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。在辅助转录的帮助下，

图 2：DeepVideoDiscovery 分为两个 stage，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，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，

• 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)，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、这一工作将以 MCP Server 的形式开源。通过将长视频分割为更短的片段并将其视作环境，在极具挑战性的 LVBench 数据集上，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）。从而赋予智能体自主、这表明 LLM 推理能力的缺失会导致智能体行为崩溃。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。在最新的推理模型 OpenAI o3 的帮助下，

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，我们将原始的长视频转换为多粒度视频数据库，" 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。倾向于过早结束推理。DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），最终回答问题。并提取全局、

随后在 “智能体搜索和回答” 阶段，以及原始解码帧...。根据累积的知识和推理证据采取行动，不具有推理能力 GPT-4o 表现出非常单一的行为模型。包括主题中心化摘要、片段字幕及其嵌入向量，然后通过自主搜索和工具使用对用户的问题生成回答。

该系统在多个长视频基准测试上进行了全面评估，

(3) 帧检查（Frame Inspect），在 LongVideoBench、大幅超越了所有现有工作，首先将长视频转化为多粒度的视频数据库，