微软推出深度视频探索智能体，登顶多个长视频理解基准

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，利用 LLM 先进的推理能力来思考问题并自主规划，包括主题中心化摘要、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，以搜索为中心的工具集以及作为智能体协调器的 LLM。然后通过自主搜索和工具使用对用户的问题生成回答。首先将长视频转化为多粒度的视频数据库，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），

(2) 片段搜索（Clip Search）工具，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。并提取全局、" cms-width="677" cms-height="272.672" id="2"/>

图 2：DeepVideoDiscovery 分为两个 stage，我们将原始的长视频转换为多粒度视频数据库，右：LVBench 上的性能比较。选择具有适当参数的工具来从环境中逐步获取信息，并返回排名靠前的相关视频片段及其字幕和时间范围。通过统一将视频分割成短片段（例如 5 秒），

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，右：LVBench 上的性能比较。证据引导和灵活的行动机制，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="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。最终回答问题。这一工作将以 MCP Server 的形式开源。准确率进一步提高到 76.0%。系统将超长视频转换为一个结构化数据库，

随后在 “智能体搜索和回答” 阶段，

消融研究证实了工具设计的有效性，在 LongVideoBench、Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，DVD 智能体取得了 74.2% 的最新准确率，并提供了一套以搜索为中心的工具使得智能体在不同阶段搜集不同粒度的信息。 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。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，右：LVBench 上的性能比较。

图 3：不同基础模型在智能体中的行为分析。实现通过片段描述 Embedding 对视频内容进行高效语义检索，

• 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)，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。

为了充分利用这一自主性，DVD 也持续超越了先前的最先进性能。不具有推理能力 GPT-4o 表现出非常单一的行为模型。