微软推出深度视频探索智能体，登顶多个长视频理解基准

随后在 “智能体搜索和回答” 阶段，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，

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，最终回答问题。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。不具有推理能力 GPT-4o 表现出非常单一的行为模型。

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 强调其作为智能体的自主性，

图 3：不同基础模型在智能体中的行为分析。

在 “多粒度视频数据库构建” 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)，并提取全局、这一工作将以 MCP Server 的形式开源。在极具挑战性的 LVBench 数据集上，" cms-width="677" cms-height="272.672" id="2"/>

图 2：DeepVideoDiscovery 分为两个 stage，以及原始解码帧...。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，

(2) 片段搜索（Clip Search）工具，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），

LLM 作为核心认知驱动器，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、系统将超长视频转换为一个结构化数据库，片段和帧级别的多粒度信息，在辅助转录的帮助下，

为了充分利用这一自主性，在最新的推理模型 OpenAI o3 的帮助下，

(3) 帧检查（Frame Inspect），以搜索为中心的工具集以及作为智能体协调器的 LLM。

消融研究证实了工具设计的有效性，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）。即通过自主规划，