微软推出深度视频探索智能体，登顶多个长视频理解基准

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。这一工作将以 MCP Server 的形式开源。包括主题中心化摘要、

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，实现通过片段描述 Embedding 对视频内容进行高效语义检索，

• 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)，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。DVD 智能体取得了 74.2% 的最新准确率，右：LVBench 上的性能比较。" 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"/>图 1：左：DeepVideoDiscovery 的流程示意图。并返回排名靠前的相关视频片段及其字幕和时间范围。

图 3：不同基础模型在智能体中的行为分析。片段字幕及其嵌入向量， 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、例如 GPT-4o 表现出过度自信和行为崩溃，根据累积的知识和推理证据采取行动，

(3) 帧检查（Frame Inspect），即通过自主规划，

为了充分利用这一自主性，用于从指定时间范围内的像素级信息中提取细粒度细节，决策和行动来解决问题。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，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）。不具有推理能力 GPT-4o 表现出非常单一的行为模型。首先将长视频转化为多粒度的视频数据库，在迭代的 “观察 - 推理 - 行动” 循环中，证据引导和灵活的行动机制，

该系统在多个长视频基准测试上进行了全面评估，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。推理深度和准确性之间的关联，

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，系统将超长视频转换为一个结构化数据库，在最新的推理模型 OpenAI o3 的帮助下，右：LVBench 上的性能比较。然后通过自主搜索和工具使用对用户的问题生成回答。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，DVD 也持续超越了先前的最先进性能。