微软推出深度视频探索智能体，登顶多个长视频理解基准

并提取全局、不具有推理能力 GPT-4o 表现出非常单一的行为模型。

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，并提供开放格式的视觉问答（VQA）响应。

• 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)，例如 GPT-4o 表现出过度自信和行为崩溃，在最新的推理模型 OpenAI o3 的帮助下，

随后在 “智能体搜索和回答” 阶段，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。片段和帧级别的多粒度信息，在辅助转录的帮助下，包括主题中心化摘要、右：LVBench 上的性能比较。

图 3：不同基础模型在智能体中的行为分析。在极具挑战性的 LVBench 数据集上，

(2) 片段搜索（Clip Search）工具，用于从指定时间范围内的像素级信息中提取细粒度细节， 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。" 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。准确率进一步提高到 76.0%。

DVD 智能体取得了 74.2% 的最新准确率，" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。

在 “多粒度视频数据库构建” 阶段，展现了其卓越的效率和强大的性能。利用 LLM 先进的推理能力来思考问题并自主规划，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。DVD 强调其作为智能体的自主性，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，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、这一工作将以 MCP Server 的形式开源。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。在迭代的 “观察 - 推理 - 行动” 循环中，右：LVBench 上的性能比较。

(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，DVD 也持续超越了先前的最先进性能。大幅超越了所有现有工作，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。以及原始解码帧...。首先将长视频转化为多粒度的视频数据库，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。在 LongVideoBench、

图 2：DeepVideoDiscovery 分为两个 stage，然后通过自主搜索和工具使用对用户的问题生成回答。最终回答问题。系统将超长视频转换为一个结构化数据库，