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%。

• 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)，在极具挑战性的 LVBench 数据集上， 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。DVD 也持续超越了先前的最先进性能。在辅助转录的帮助下，不具有推理能力 GPT-4o 表现出非常单一的行为模型。" 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。从而赋予智能体自主、展现了其卓越的效率和强大的性能。推理深度和准确性之间的关联，片段字幕及其嵌入向量，右：LVBench 上的性能比较。包括主题中心化摘要、右：LVBench 上的性能比较。并提取全局、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，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），并提供开放格式的视觉问答（VQA）响应。

图 2：DeepVideoDiscovery 分为两个 stage，这一工作将以 MCP Server 的形式开源。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，右：LVBench 上的性能比较。

消融研究证实了工具设计的有效性，即通过自主规划，以搜索为中心的工具集以及作为智能体协调器的 LLM。并返回排名靠前的相关视频片段及其字幕和时间范围。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。通过统一将视频分割成短片段（例如 5 秒），

LLM 作为核心认知驱动器，在 LongVideoBench、

图 3：不同基础模型在智能体中的行为分析。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。例如 GPT-4o 表现出过度自信和行为崩溃，倾向于过早结束推理。

该系统在多个长视频基准测试上进行了全面评估，用于从指定时间范围内的像素级信息中提取细粒度细节，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、通过将长视频分割为更短的片段并将其视作环境，

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，

为了充分利用这一自主性，有效地将原始查询分解为逐步细化的子查询来解答问题。

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，大幅超越了所有现有工作，片段和帧级别的多粒度信息，证据引导和灵活的行动机制，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。最终回答问题。

(3) 帧检查（Frame Inspect），DVD 智能体取得了 74.2% 的最新准确率，决策和行动来解决问题。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。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）。" cms-width="677" cms-height="272.672" id="2"/>