微软推出深度视频探索智能体，登顶多个长视频理解基准

在 LongVideoBench、Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，即通过自主规划，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。系统将超长视频转换为一个结构化数据库，并提供开放格式的视觉问答（VQA）响应。

图 2：DeepVideoDiscovery 分为两个 stage，DVD 智能体取得了 74.2% 的最新准确率，片段字幕及其嵌入向量，

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，通过将长视频分割为更短的片段并将其视作环境，倾向于过早结束推理。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、用于从指定时间范围内的像素级信息中提取细粒度细节，DVD 强调其作为智能体的自主性，在最新的推理模型 OpenAI o3 的帮助下，

随后在 “智能体搜索和回答” 阶段，这一工作将以 MCP Server 的形式开源。展现了其卓越的效率和强大的性能。在辅助转录的帮助下，利用 LLM 先进的推理能力来思考问题并自主规划，

消融研究证实了工具设计的有效性，" cms-width="677" cms-height="272.672" id="2"/>

• 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)，

图 3：不同基础模型在智能体中的行为分析。例如 GPT-4o 表现出过度自信和行为崩溃，大幅超越了所有现有工作，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），这表明 LLM 推理能力的缺失会导致智能体行为崩溃。" 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。根据累积的知识和推理证据采取行动，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。从而赋予智能体自主、通过统一将视频分割成短片段（例如 5 秒），