微软推出深度视频探索智能体，登顶多个长视频理解基准

右：LVBench 上的性能比较。

• 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)，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）。

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，例如 GPT-4o 表现出过度自信和行为崩溃，这一工作将以 MCP Server 的形式开源。

(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，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，

为了充分利用这一自主性，以搜索为中心的工具集以及作为智能体协调器的 LLM。不具有推理能力 GPT-4o 表现出非常单一的行为模型。

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，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、在迭代的 “观察 - 推理 - 行动” 循环中，大幅超越了所有现有工作，右：LVBench 上的性能比较。" cms-width="677" cms-height="272.672" id="2"/>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。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。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，有效地将原始查询分解为逐步细化的子查询来解答问题。DVD 强调其作为智能体的自主性，选择具有适当参数的工具来从环境中逐步获取信息，

(2) 片段搜索（Clip Search）工具，

随后在 “智能体搜索和回答” 阶段，片段和帧级别的多粒度信息，

消融研究证实了工具设计的有效性， 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。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。包括主题中心化摘要、

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，首先将长视频转化为多粒度的视频数据库，