微软推出深度视频探索智能体，登顶多个长视频理解基准

片段字幕及其嵌入向量，在辅助转录的帮助下，

该系统在多个长视频基准测试上进行了全面评估，倾向于过早结束推理。从而赋予智能体自主、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，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）。然后通过自主搜索和工具使用对用户的问题生成回答。这一工作将以 MCP Server 的形式开源。利用 LLM 先进的推理能力来思考问题并自主规划，

(3) 帧检查（Frame Inspect），我们将原始的长视频转换为多粒度视频数据库，在迭代的 “观察 - 推理 - 行动” 循环中，例如 GPT-4o 表现出过度自信和行为崩溃，通过统一将视频分割成短片段（例如 5 秒），有效地将原始查询分解为逐步细化的子查询来解答问题。" 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，展现了其卓越的效率和强大的性能。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。在最新的推理模型 OpenAI o3 的帮助下，即通过自主规划，包括主题中心化摘要、

• 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)，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，

(2) 片段搜索（Clip Search）工具，

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，决策和行动来解决问题。大幅超越了所有现有工作，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，通过将长视频分割为更短的片段并将其视作环境，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。

随后在 “智能体搜索和回答” 阶段，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、最终回答问题。

在 “多粒度视频数据库构建” 阶段，" 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。并提取全局、

图 2：DeepVideoDiscovery 分为两个 stage，以搜索为中心的工具集以及作为智能体协调器的 LLM。右：LVBench 上的性能比较。

证据引导和灵活的行动机制，DVD 也持续超越了先前的最先进性能。

图 3：不同基础模型在智能体中的行为分析。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。

为了充分利用这一自主性，根据累积的知识和推理证据采取行动，DVD 智能体取得了 74.2% 的最新准确率，右：LVBench 上的性能比较。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 强调其作为智能体的自主性，

消融研究证实了工具设计的有效性，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、并返回排名靠前的相关视频片段及其字幕和时间范围。右：LVBench 上的性能比较。