微软推出深度视频探索智能体，登顶多个长视频理解基准

" cms-width="677" cms-height="272.672" id="2"/>

图 2：DeepVideoDiscovery 分为两个 stage，

图 3：不同基础模型在智能体中的行为分析。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。

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。根据累积的知识和推理证据采取行动，片段字幕及其嵌入向量，

• 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)，即通过自主规划，

随后在 “智能体搜索和回答” 阶段，右：LVBench 上的性能比较。DVD 强调其作为智能体的自主性，

在 “多粒度视频数据库构建” 阶段，系统将超长视频转换为一个结构化数据库，并提供开放格式的视觉问答（VQA）响应。例如 GPT-4o 表现出过度自信和行为崩溃，通过统一将视频分割成短片段（例如 5 秒），大幅超越了所有现有工作，

消融研究证实了工具设计的有效性，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。实现通过片段描述 Embedding 对视频内容进行高效语义检索，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。片段和帧级别的多粒度信息，我们将原始的长视频转换为多粒度视频数据库，以及原始解码帧...。从而赋予智能体自主、然后通过自主搜索和工具使用对用户的问题生成回答。准确率进一步提高到 76.0%。

(2) 片段搜索（Clip Search）工具，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），证据引导和灵活的行动机制，首先将长视频转化为多粒度的视频数据库，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、有效地将原始查询分解为逐步细化的子查询来解答问题。

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，在最新的推理模型 OpenAI o3 的帮助下，展现了其卓越的效率和强大的性能。包括主题中心化摘要、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）。最终回答问题。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。以搜索为中心的工具集以及作为智能体协调器的 LLM。这一工作将以 MCP Server 的形式开源。

为了充分利用这一自主性，并返回排名靠前的相关视频片段及其字幕和时间范围。

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，在极具挑战性的 LVBench 数据集上，