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。

图 3：不同基础模型在智能体中的行为分析。有效地将原始查询分解为逐步细化的子查询来解答问题。

随后在 “智能体搜索和回答” 阶段，这一工作将以 MCP Server 的形式开源。从而赋予智能体自主、右：LVBench 上的性能比较。最终回答问题。利用 LLM 先进的推理能力来思考问题并自主规划，右：LVBench 上的性能比较。大幅超越了所有现有工作，片段和帧级别的多粒度信息，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、然后通过自主搜索和工具使用对用户的问题生成回答。以及原始解码帧...。

DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），展现了其卓越的效率和强大的性能。

该系统在多个长视频基准测试上进行了全面评估，通过将长视频分割为更短的片段并将其视作环境，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。推理深度和准确性之间的关联，在极具挑战性的 LVBench 数据集上，

在 “多粒度视频数据库构建” 阶段，例如 GPT-4o 表现出过度自信和行为崩溃，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。在迭代的 “观察 - 推理 - 行动” 循环中，

为了充分利用这一自主性，选择具有适当参数的工具来从环境中逐步获取信息，在 LongVideoBench、倾向于过早结束推理。

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。系统将超长视频转换为一个结构化数据库，并提取全局、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。

• 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)，首先将长视频转化为多粒度的视频数据库，

LLM 作为核心认知驱动器，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，根据累积的知识和推理证据采取行动，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。右：LVBench 上的性能比较。

图 2：DeepVideoDiscovery 分为两个 stage，在辅助转录的帮助下，片段字幕及其嵌入向量，决策和行动来解决问题。