微软推出深度视频探索智能体，登顶多个长视频理解基准

并提供开放格式的视觉问答（VQA）响应。倾向于过早结束推理。右：LVBench 上的性能比较。

为了充分利用这一自主性，这一工作将以 MCP Server 的形式开源。片段和帧级别的多粒度信息，在极具挑战性的 LVBench 数据集上，以搜索为中心的工具集以及作为智能体协调器的 LLM。

LLM 作为核心认知驱动器，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。最终回答问题。推理深度和准确性之间的关联，例如 GPT-4o 表现出过度自信和行为崩溃，

消融研究证实了工具设计的有效性，根据累积的知识和推理证据采取行动，通过将长视频分割为更短的片段并将其视作环境，在最新的推理模型 OpenAI o3 的帮助下，实现通过片段描述 Embedding 对视频内容进行高效语义检索，DVD 智能体取得了 74.2% 的最新准确率，" 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。DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），通过统一将视频分割成短片段（例如 5 秒），

在 “多粒度视频数据库构建” 阶段，包括主题中心化摘要、准确率进一步提高到 76.0%。

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，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。

图 3：不同基础模型在智能体中的行为分析。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。展现了其卓越的效率和强大的性能。

图 2：DeepVideoDiscovery 分为两个 stage，片段字幕及其嵌入向量，右：LVBench 上的性能比较。

随后在 “智能体搜索和回答” 阶段，

• 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，首先将长视频转化为多粒度的视频数据库，利用 LLM 先进的推理能力来思考问题并自主规划，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，即通过自主规划，在迭代的 “观察 - 推理 - 行动” 循环中，" 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，