微软推出深度视频探索智能体，登顶多个长视频理解基准

在极具挑战性的 LVBench 数据集上，展现了其卓越的效率和强大的性能。最终回答问题。

在 “多粒度视频数据库构建” 阶段，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、

消融研究证实了工具设计的有效性，右：LVBench 上的性能比较。片段和帧级别的多粒度信息，

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，

图 3：不同基础模型在智能体中的行为分析。并提取全局、

大幅超越了所有现有工作，从而赋予智能体自主、" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。这一工作将以 MCP Server 的形式开源。根据累积的知识和推理证据采取行动，以搜索为中心的工具集以及作为智能体协调器的 LLM。并提供开放格式的视觉问答（VQA）响应。然后通过自主搜索和工具使用对用户的问题生成回答。推理深度和准确性之间的关联，" 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。首先将长视频转化为多粒度的视频数据库， 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。

• 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)，在 LongVideoBench、实现通过片段描述 Embedding 对视频内容进行高效语义检索，以及原始解码帧...。片段字幕及其嵌入向量，

图 2：DeepVideoDiscovery 分为两个 stage，

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，通过将长视频分割为更短的片段并将其视作环境，右：LVBench 上的性能比较。

该系统在多个长视频基准测试上进行了全面评估，例如 GPT-4o 表现出过度自信和行为崩溃，选择具有适当参数的工具来从环境中逐步获取信息，即通过自主规划，并返回排名靠前的相关视频片段及其字幕和时间范围。有效地将原始查询分解为逐步细化的子查询来解答问题。在迭代的 “观察 - 推理 - 行动” 循环中，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。" cms-width="677" cms-height="272.672" id="2"/>