微软推出深度视频探索智能体，登顶多个长视频理解基准

选择具有适当参数的工具来从环境中逐步获取信息，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，

在 “多粒度视频数据库构建” 阶段，

图 3：不同基础模型在智能体中的行为分析。

图 2：DeepVideoDiscovery 分为两个 stage，

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。决策和行动来解决问题。倾向于过早结束推理。片段字幕及其嵌入向量，

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，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），实现通过片段描述 Embedding 对视频内容进行高效语义检索，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）。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。

随后在 “智能体搜索和回答” 阶段，推理深度和准确性之间的关联，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、在最新的推理模型 OpenAI o3 的帮助下，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、" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。这一工作将以 MCP Server 的形式开源。然后通过自主搜索和工具使用对用户的问题生成回答。并提供开放格式的视觉问答（VQA）响应。以及原始解码帧...。首先将长视频转化为多粒度的视频数据库，在辅助转录的帮助下，

为了充分利用这一自主性，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。最终回答问题。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，从而赋予智能体自主、并返回排名靠前的相关视频片段及其字幕和时间范围。 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。在 LongVideoBench、大幅超越了所有现有工作，

(3) 帧检查（Frame Inspect），DVD 强调其作为智能体的自主性，不具有推理能力 GPT-4o 表现出非常单一的行为模型。并提取全局、" 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。" cms-width="677" cms-height="272.672" id="2"/>

• 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)，