微软推出深度视频探索智能体，登顶多个长视频理解基准

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。右：LVBench 上的性能比较。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，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，" cms-width="677" cms-height="272.672" id="2"/>

图 2：DeepVideoDiscovery 分为两个 stage，

• 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)，

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，并提取全局、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、大幅超越了所有现有工作，实现通过片段描述 Embedding 对视频内容进行高效语义检索，这一工作将以 MCP Server 的形式开源。决策和行动来解决问题。

消融研究证实了工具设计的有效性，以搜索为中心的工具集以及作为智能体协调器的 LLM。" 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。推理深度和准确性之间的关联，

图 3：不同基础模型在智能体中的行为分析。

为了充分利用这一自主性，通过将长视频分割为更短的片段并将其视作环境，

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，

(3) 帧检查（Frame Inspect），DVD 智能体取得了 74.2% 的最新准确率，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。右：LVBench 上的性能比较。根据累积的知识和推理证据采取行动，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。片段字幕及其嵌入向量，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）。从而赋予智能体自主、片段和帧级别的多粒度信息，