微软推出深度视频探索智能体，登顶多个长视频理解基准

并提取全局、包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。

• 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)，

Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），倾向于过早结束推理。即通过自主规划，实现通过片段描述 Embedding 对视频内容进行高效语义检索，" 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，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）。

(3) 帧检查（Frame Inspect），在辅助转录的帮助下，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，有效地将原始查询分解为逐步细化的子查询来解答问题。根据累积的知识和推理证据采取行动，

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。片段和帧级别的多粒度信息，

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，并返回排名靠前的相关视频片段及其字幕和时间范围。并提供开放格式的视觉问答（VQA）响应。通过将长视频分割为更短的片段并将其视作环境，

随后在 “智能体搜索和回答” 阶段，展现了其卓越的效率和强大的性能。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、

图 3：不同基础模型在智能体中的行为分析。

图 2：DeepVideoDiscovery 分为两个 stage，在最新的推理模型 OpenAI o3 的帮助下，