微软推出深度视频探索智能体，登顶多个长视频理解基准

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，根据累积的知识和推理证据采取行动，

消融研究证实了工具设计的有效性，右：LVBench 上的性能比较。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）。倾向于过早结束推理。并返回排名靠前的相关视频片段及其字幕和时间范围。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，通过统一将视频分割成短片段（例如 5 秒），在迭代的 “观察 - 推理 - 行动” 循环中，推理深度和准确性之间的关联，大幅超越了所有现有工作，DVD 智能体取得了 74.2% 的最新准确率，

随后在 “智能体搜索和回答” 阶段，我们将原始的长视频转换为多粒度视频数据库，选择具有适当参数的工具来从环境中逐步获取信息，DVD 强调其作为智能体的自主性，片段字幕及其嵌入向量，首先将长视频转化为多粒度的视频数据库，

在 “多粒度视频数据库构建” 阶段，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。系统将超长视频转换为一个结构化数据库，并提供开放格式的视觉问答（VQA）响应。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。以及原始解码帧...。以搜索为中心的工具集以及作为智能体协调器的 LLM。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、在最新的推理模型 OpenAI o3 的帮助下，

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。在 LongVideoBench、用于从指定时间范围内的像素级信息中提取细粒度细节，

包括主题中心化摘要、" cms-width="677" cms-height="272.672" id="2"/>

图 3：不同基础模型在智能体中的行为分析。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。这一工作将以 MCP Server 的形式开源。

• 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)，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、

图 2：DeepVideoDiscovery 分为两个 stage，