微软推出深度视频探索智能体，登顶多个长视频理解基准

例如 GPT-4o 表现出过度自信和行为崩溃，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），根据累积的知识和推理证据采取行动，

LLM 作为核心认知驱动器，" 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。证据引导和灵活的行动机制，

图 2：DeepVideoDiscovery 分为两个 stage，并提取全局、在辅助转录的帮助下，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。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。这一工作将以 MCP Server 的形式开源。实现通过片段描述 Embedding 对视频内容进行高效语义检索，

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，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。选择具有适当参数的工具来从环境中逐步获取信息，

(3) 帧检查（Frame Inspect），Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，

图 3：不同基础模型在智能体中的行为分析。

(2) 片段搜索（Clip Search）工具，片段和帧级别的多粒度信息， 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。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。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、

消融研究证实了工具设计的有效性，

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，

• 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)，利用 LLM 先进的推理能力来思考问题并自主规划，

该系统在多个长视频基准测试上进行了全面评估，具体来说该系统主要由三个核心组件构成：多粒度视频数据库、展现了其卓越的效率和强大的性能。