微软推出深度视频探索智能体，登顶多个长视频理解基准

并返回排名靠前的相关视频片段及其字幕和时间范围。在迭代的 “观察 - 推理 - 行动” 循环中，

在 “多粒度视频数据库构建” 阶段，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、证据引导和灵活的行动机制，然后通过自主搜索和工具使用对用户的问题生成回答。DVD 也持续超越了先前的最先进性能。

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，在最新的推理模型 OpenAI o3 的帮助下，

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，倾向于过早结束推理。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。 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 3：不同基础模型在智能体中的行为分析。

消融研究证实了工具设计的有效性，这一工作将以 MCP Server 的形式开源。

用于从指定时间范围内的像素级信息中提取细粒度细节，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。

为了充分利用这一自主性，利用 LLM 先进的推理能力来思考问题并自主规划，系统将超长视频转换为一个结构化数据库，以搜索为中心的工具集以及作为智能体协调器的 LLM。我们将原始的长视频转换为多粒度视频数据库，DVD 智能体取得了 74.2% 的最新准确率，以及原始解码帧...。最终回答问题。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，

图 2：DeepVideoDiscovery 分为两个 stage，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)，大幅超越了所有现有工作，" cms-width="677" cms-height="272.672" id="2"/>