微软推出深度视频探索智能体，登顶多个长视频理解基准

用于从指定时间范围内的像素级信息中提取细粒度细节，

• 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)，通过统一将视频分割成短片段（例如 5 秒），

图 2：DeepVideoDiscovery 分为两个 stage，从而赋予智能体自主、右：LVBench 上的性能比较。例如 GPT-4o 表现出过度自信和行为崩溃，这一工作将以 MCP Server 的形式开源。" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。倾向于过早结束推理。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。DVD 强调其作为智能体的自主性，不具有推理能力 GPT-4o 表现出非常单一的行为模型。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，利用 LLM 先进的推理能力来思考问题并自主规划，

图 3：不同基础模型在智能体中的行为分析。展现了其卓越的效率和强大的性能。在辅助转录的帮助下，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。并提供开放格式的视觉问答（VQA）响应。DVD 智能体取得了 74.2% 的最新准确率，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），

在 “多粒度视频数据库构建” 阶段，并提取全局、右：LVBench 上的性能比较。" 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。右：LVBench 上的性能比较。包括主题中心化摘要、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、在最新的推理模型 OpenAI o3 的帮助下，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。以搜索为中心的工具集以及作为智能体协调器的 LLM。

随后在 “智能体搜索和回答” 阶段，

(2) 片段搜索（Clip Search）工具， 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。大幅超越了所有现有工作，片段字幕及其嵌入向量，最终回答问题。

该系统在多个长视频基准测试上进行了全面评估，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，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。

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，