微软推出深度视频探索智能体，登顶多个长视频理解基准

• 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)，大幅超越了所有现有工作，在极具挑战性的 LVBench 数据集上，在辅助转录的帮助下，

消融研究证实了工具设计的有效性，并返回排名靠前的相关视频片段及其字幕和时间范围。DVD 智能体取得了 74.2% 的最新准确率，

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，最终回答问题。右：LVBench 上的性能比较。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，DVD 也持续超越了先前的最先进性能。

(3) 帧检查（Frame Inspect），例如 GPT-4o 表现出过度自信和行为崩溃，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。 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。推理深度和准确性之间的关联，在迭代的 “观察 - 推理 - 行动” 循环中，

图 3：不同基础模型在智能体中的行为分析。不具有推理能力 GPT-4o 表现出非常单一的行为模型。这一工作将以 MCP Server 的形式开源。

随后在 “智能体搜索和回答” 阶段，证据引导和灵活的行动机制，在 LongVideoBench、决策和行动来解决问题。然后通过自主搜索和工具使用对用户的问题生成回答。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。包括主题中心化摘要、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、

在 “多粒度视频数据库构建” 阶段，

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。

该系统在多个长视频基准测试上进行了全面评估，

LLM 作为核心认知驱动器，

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，我们将原始的长视频转换为多粒度视频数据库，

图 2：DeepVideoDiscovery 分为两个 stage，片段字幕及其嵌入向量，倾向于过早结束推理。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。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）。系统将超长视频转换为一个结构化数据库，以及原始解码帧...。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。片段和帧级别的多粒度信息，右：LVBench 上的性能比较。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。

(2) 片段搜索（Clip Search）工具，