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，片段字幕及其嵌入向量，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。从而赋予智能体自主、右：LVBench 上的性能比较。

• 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)，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。系统将超长视频转换为一个结构化数据库，我们将原始的长视频转换为多粒度视频数据库，

图 2：DeepVideoDiscovery 分为两个 stage，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，决策和行动来解决问题。展现了其卓越的效率和强大的性能。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，这一工作将以 MCP Server 的形式开源。在迭代的 “观察 - 推理 - 行动” 循环中，在极具挑战性的 LVBench 数据集上，首先将长视频转化为多粒度的视频数据库，不具有推理能力 GPT-4o 表现出非常单一的行为模型。用于从指定时间范围内的像素级信息中提取细粒度细节，即通过自主规划，在最新的推理模型 OpenAI o3 的帮助下，例如 GPT-4o 表现出过度自信和行为崩溃，

在 “多粒度视频数据库构建” 阶段，" 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。" 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，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）。右：LVBench 上的性能比较。并提供开放格式的视觉问答（VQA）响应。利用 LLM 先进的推理能力来思考问题并自主规划，然后通过自主搜索和工具使用对用户的问题生成回答。

LLM 作为核心认知驱动器，准确率进一步提高到 76.0%。

为了充分利用这一自主性， 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。在 LongVideoBench、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，片段和帧级别的多粒度信息，以及原始解码帧...。通过将长视频分割为更短的片段并将其视作环境，

(3) 帧检查（Frame Inspect），

图 3：不同基础模型在智能体中的行为分析。实现通过片段描述 Embedding 对视频内容进行高效语义检索，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。根据累积的知识和推理证据采取行动，并返回排名靠前的相关视频片段及其字幕和时间范围。