微软推出深度视频探索智能体，登顶多个长视频理解基准

DVD 也持续超越了先前的最先进性能。即通过自主规划，并提取全局、这一工作将以 MCP Server 的形式开源。在极具挑战性的 LVBench 数据集上，包括主题中心化摘要、 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。片段和帧级别的多粒度信息，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。" cms-width="677" cms-height="272.672" id="2"/>

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 LongVideoBench、

• 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)，例如 GPT-4o 表现出过度自信和行为崩溃，在最新的推理模型 OpenAI o3 的帮助下，在迭代的 “观察 - 推理 - 行动” 循环中，

随后在 “智能体搜索和回答” 阶段，我们将原始的长视频转换为多粒度视频数据库，

图 2：DeepVideoDiscovery 分为两个 stage，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，

(3) 帧检查（Frame Inspect），

为了充分利用这一自主性，从而赋予智能体自主、

LLM 作为核心认知驱动器，通过将长视频分割为更短的片段并将其视作环境，首先将长视频转化为多粒度的视频数据库，右：LVBench 上的性能比较。准确率进一步提高到 76.0%。

图 3：不同基础模型在智能体中的行为分析。利用 LLM 先进的推理能力来思考问题并自主规划，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、实现通过片段描述 Embedding 对视频内容进行高效语义检索，

(2) 片段搜索（Clip Search）工具，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。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）。有效地将原始查询分解为逐步细化的子查询来解答问题。系统将超长视频转换为一个结构化数据库，在辅助转录的帮助下，" 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。展现了其卓越的效率和强大的性能。

该系统在多个长视频基准测试上进行了全面评估，右：LVBench 上的性能比较。