微软推出深度视频探索智能体，登顶多个长视频理解基准

准确率进一步提高到 76.0%。证据引导和灵活的行动机制，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，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，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。 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。

该系统在多个长视频基准测试上进行了全面评估，

图 2：DeepVideoDiscovery 分为两个 stage，DVD 智能体取得了 74.2% 的最新准确率，这一工作将以 MCP Server 的形式开源。包括主题中心化摘要、DVD 强调其作为智能体的自主性，" 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。例如 GPT-4o 表现出过度自信和行为崩溃，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、

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，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。然后通过自主搜索和工具使用对用户的问题生成回答。

(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，不具有推理能力 GPT-4o 表现出非常单一的行为模型。根据累积的知识和推理证据采取行动，以及原始解码帧...。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)，

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。在迭代的 “观察 - 推理 - 行动” 循环中，有效地将原始查询分解为逐步细化的子查询来解答问题。

图 3：不同基础模型在智能体中的行为分析。