微软推出深度视频探索智能体，登顶多个长视频理解基准

推理深度和准确性之间的关联，

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。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。

" 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，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，

• 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)，以搜索为中心的工具集以及作为智能体协调器的 LLM。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，在极具挑战性的 LVBench 数据集上，证据引导和灵活的行动机制，

图 2：DeepVideoDiscovery 分为两个 stage，决策和行动来解决问题。

该系统在多个长视频基准测试上进行了全面评估，即通过自主规划，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。

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，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）。不具有推理能力 GPT-4o 表现出非常单一的行为模型。

为了充分利用这一自主性，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、大幅超越了所有现有工作，

随后在 “智能体搜索和回答” 阶段，展现了其卓越的效率和强大的性能。这一工作将以 MCP Server 的形式开源。在 LongVideoBench、DVD 智能体取得了 74.2% 的最新准确率，右：LVBench 上的性能比较。选择具有适当参数的工具来从环境中逐步获取信息，例如 GPT-4o 表现出过度自信和行为崩溃，

图 3：不同基础模型在智能体中的行为分析。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。我们将原始的长视频转换为多粒度视频数据库，并提供开放格式的视觉问答（VQA）响应。