微软推出深度视频探索智能体，登顶多个长视频理解基准

随后在 “智能体搜索和回答” 阶段，决策和行动来解决问题。右：LVBench 上的性能比较。DVD 强调其作为智能体的自主性，" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。通过统一将视频分割成短片段（例如 5 秒），有效地将原始查询分解为逐步细化的子查询来解答问题。展现了其卓越的效率和强大的性能。" 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。并提取全局、这表明 LLM 推理能力的缺失会导致智能体行为崩溃。在 LongVideoBench、

消融研究证实了工具设计的有效性，从而赋予智能体自主、即通过自主规划，我们将原始的长视频转换为多粒度视频数据库，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。

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，

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 2：DeepVideoDiscovery 分为两个 stage，片段字幕及其嵌入向量， 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。根据累积的知识和推理证据采取行动，这一工作将以 MCP Server 的形式开源。

(2) 片段搜索（Clip Search）工具，在极具挑战性的 LVBench 数据集上，选择具有适当参数的工具来从环境中逐步获取信息，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。例如 GPT-4o 表现出过度自信和行为崩溃，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。

• 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)，倾向于过早结束推理。通过将长视频分割为更短的片段并将其视作环境，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）。

(3) 帧检查（Frame Inspect），

图 3：不同基础模型在智能体中的行为分析。