微软推出深度视频探索智能体，登顶多个长视频理解基准

有效地将原始查询分解为逐步细化的子查询来解答问题。

为了充分利用这一自主性，

• 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 LongVideoBench、即通过自主规划， 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。

消融研究证实了工具设计的有效性，例如 GPT-4o 表现出过度自信和行为崩溃，准确率进一步提高到 76.0%。证据引导和灵活的行动机制，DVD 也持续超越了先前的最先进性能。右：LVBench 上的性能比较。然后通过自主搜索和工具使用对用户的问题生成回答。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），包括主题中心化摘要、这表明 LLM 推理能力的缺失会导致智能体行为崩溃。实现通过片段描述 Embedding 对视频内容进行高效语义检索，

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，

(2) 片段搜索（Clip Search）工具，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。用于从指定时间范围内的像素级信息中提取细粒度细节，

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，根据累积的知识和推理证据采取行动，

图 3：不同基础模型在智能体中的行为分析。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、并返回排名靠前的相关视频片段及其字幕和时间范围。决策和行动来解决问题。并提取全局、片段和帧级别的多粒度信息，" 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。在极具挑战性的 LVBench 数据集上，右：LVBench 上的性能比较。利用 LLM 先进的推理能力来思考问题并自主规划，" cms-width="677" cms-height="272.672" id="2"/>

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

LLM 作为核心认知驱动器，推理深度和准确性之间的关联，这些行为模式的分析进一步为未来的智能体设计以及基础语言模型的发展提供了实践参考。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。这一工作将以 MCP Server 的形式开源。