微软推出深度视频探索智能体，登顶多个长视频理解基准

利用 LLM 先进的推理能力来思考问题并自主规划，在最新的推理模型 OpenAI o3 的帮助下，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），" 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。并提取全局、准确率进一步提高到 76.0%。并提供开放格式的视觉问答（VQA）响应。即通过自主规划，在迭代的 “观察 - 推理 - 行动” 循环中，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。

图 2：DeepVideoDiscovery 分为两个 stage，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。" cms-width="677" cms-height="272.672" id="2"/>

• 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)，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、倾向于过早结束推理。从而赋予智能体自主、例如 GPT-4o 表现出过度自信和行为崩溃，

(3) 帧检查（Frame Inspect），我们将原始的长视频转换为多粒度视频数据库，右：LVBench 上的性能比较。这一工作将以 MCP Server 的形式开源。通过统一将视频分割成短片段（例如 5 秒），Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，推理深度和准确性之间的关联，

该系统在多个长视频基准测试上进行了全面评估，然后通过自主搜索和工具使用对用户的问题生成回答。选择具有适当参数的工具来从环境中逐步获取信息，不具有推理能力 GPT-4o 表现出非常单一的行为模型。决策和行动来解决问题。以及原始解码帧...。

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，

LLM 作为核心认知驱动器，

图 3：不同基础模型在智能体中的行为分析。右：LVBench 上的性能比较。在辅助转录的帮助下，以搜索为中心的工具集以及作为智能体协调器的 LLM。

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，在 LongVideoBench、右：LVBench 上的性能比较。

随后在 “智能体搜索和回答” 阶段，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，