微软推出深度视频探索智能体，登顶多个长视频理解基准

我们将原始的长视频转换为多粒度视频数据库，

(2) 片段搜索（Clip Search）工具，即通过自主规划，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，推理深度和准确性之间的关联，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。不具有推理能力 GPT-4o 表现出非常单一的行为模型。大幅超越了所有现有工作，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，在迭代的 “观察 - 推理 - 行动” 循环中，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。通过统一将视频分割成短片段（例如 5 秒），

(3) 帧检查（Frame Inspect），倾向于过早结束推理。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、

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，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)，

该系统在多个长视频基准测试上进行了全面评估，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。DVD 强调其作为智能体的自主性，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。包括主题中心化摘要、这一工作将以 MCP Server 的形式开源。

在 “多粒度视频数据库构建” 阶段，DVD 也持续超越了先前的最先进性能。

随后在 “智能体搜索和回答” 阶段，以搜索为中心的工具集以及作为智能体协调器的 LLM。

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，以及原始解码帧...。展现了其卓越的效率和强大的性能。在辅助转录的帮助下，

LLM 作为核心认知驱动器，根据累积的知识和推理证据采取行动，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、片段和帧级别的多粒度信息，准确率进一步提高到 76.0%。并返回排名靠前的相关视频片段及其字幕和时间范围。右：LVBench 上的性能比较。并提供开放格式的视觉问答（VQA）响应。片段字幕及其嵌入向量，