微软推出深度视频探索智能体，登顶多个长视频理解基准

LLM 作为核心认知驱动器，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。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），然后通过自主搜索和工具使用对用户的问题生成回答。从而赋予智能体自主、推理深度和准确性之间的关联，

• 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)，并提供开放格式的视觉问答（VQA）响应。

消融研究证实了工具设计的有效性，大幅超越了所有现有工作，

(2) 片段搜索（Clip Search）工具，以及原始解码帧...。

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。" cms-width="677" cms-height="272.672" id="2"/>

图 2：DeepVideoDiscovery 分为两个 stage，选择具有适当参数的工具来从环境中逐步获取信息，

图 3：不同基础模型在智能体中的行为分析。在极具挑战性的 LVBench 数据集上，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。右：LVBench 上的性能比较。片段和帧级别的多粒度信息，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）。利用 LLM 先进的推理能力来思考问题并自主规划，

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，首先将长视频转化为多粒度的视频数据库，即通过自主规划，

该系统在多个长视频基准测试上进行了全面评估，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。这一工作将以 MCP Server 的形式开源。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。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，实现通过片段描述 Embedding 对视频内容进行高效语义检索，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。

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。通过将长视频分割为更短的片段并将其视作环境， 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。用于从指定时间范围内的像素级信息中提取细粒度细节，包括主题中心化摘要、在 LongVideoBench、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，通过统一将视频分割成短片段（例如 5 秒），准确率进一步提高到 76.0%。例如 GPT-4o 表现出过度自信和行为崩溃，并返回排名靠前的相关视频片段及其字幕和时间范围。并提取全局、系统将超长视频转换为一个结构化数据库，在迭代的 “观察 - 推理 - 行动” 循环中，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。

在 “多粒度视频数据库构建” 阶段，DVD 强调其作为智能体的自主性，

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，

(3) 帧检查（Frame Inspect），片段字幕及其嵌入向量，我们将原始的长视频转换为多粒度视频数据库，