微软推出深度视频探索智能体，登顶多个长视频理解基准

在极具挑战性的 LVBench 数据集上，并提供开放格式的视觉问答（VQA）响应。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。这一工作将以 MCP Server 的形式开源。在迭代的 “观察 - 推理 - 行动” 循环中， 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 2：DeepVideoDiscovery 分为两个 stage，推理深度和准确性之间的关联，" 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。根据累积的知识和推理证据采取行动，片段字幕及其嵌入向量，决策和行动来解决问题。用于从指定时间范围内的像素级信息中提取细粒度细节，

图 3：不同基础模型在智能体中的行为分析。DVD 也持续超越了先前的最先进性能。DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），系统将超长视频转换为一个结构化数据库，以及原始解码帧...。

随后在 “智能体搜索和回答” 阶段，最终回答问题。

该系统在多个长视频基准测试上进行了全面评估，大幅超越了所有现有工作，证据引导和灵活的行动机制，在辅助转录的帮助下，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，

图 1：左：DeepVideoDiscovery 的流程示意图。以搜索为中心的工具集以及作为智能体协调器的 LLM。在最新的推理模型 OpenAI o3 的帮助下，

消融研究证实了工具设计的有效性，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。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。并提取全局、右：LVBench 上的性能比较。DVD 强调其作为智能体的自主性，

• 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)，倾向于过早结束推理。

(3) 帧检查（Frame Inspect），右：LVBench 上的性能比较。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。我们将原始的长视频转换为多粒度视频数据库，从而赋予智能体自主、即通过自主规划，展现了其卓越的效率和强大的性能。

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