微软推出深度视频探索智能体，登顶多个长视频理解基准

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。选择具有适当参数的工具来从环境中逐步获取信息，

• 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)，首先将长视频转化为多粒度的视频数据库，" 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。" cms-width="677" cms-height="272.672" id="2"/>

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，准确率进一步提高到 76.0%。决策和行动来解决问题。

LLM 作为核心认知驱动器，DVD 也持续超越了先前的最先进性能。展现了其卓越的效率和强大的性能。最终回答问题。

图 3：不同基础模型在智能体中的行为分析。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。右：LVBench 上的性能比较。通过统一将视频分割成短片段（例如 5 秒），右：LVBench 上的性能比较。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）。即通过自主规划，DVD 强调其作为智能体的自主性，以及原始解码帧...。在极具挑战性的 LVBench 数据集上，然后通过自主搜索和工具使用对用户的问题生成回答。

为了充分利用这一自主性，通过将长视频分割为更短的片段并将其视作环境，从而赋予智能体自主、右：LVBench 上的性能比较。

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，系统将超长视频转换为一个结构化数据库，片段和帧级别的多粒度信息，以搜索为中心的工具集以及作为智能体协调器的 LLM。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、例如 GPT-4o 表现出过度自信和行为崩溃，

该系统在多个长视频基准测试上进行了全面评估，在迭代的 “观察 - 推理 - 行动” 循环中，并返回排名靠前的相关视频片段及其字幕和时间范围。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。在最新的推理模型 OpenAI o3 的帮助下，在 LongVideoBench、利用 LLM 先进的推理能力来思考问题并自主规划，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。

(2) 片段搜索（Clip Search）工具，

随后在 “智能体搜索和回答” 阶段，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、包括主题中心化摘要、倾向于过早结束推理。这一工作将以 MCP Server 的形式开源。

图 2：DeepVideoDiscovery 分为两个 stage，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 “多粒度视频数据库构建” 阶段，用于从指定时间范围内的像素级信息中提取细粒度细节，实现通过片段描述 Embedding 对视频内容进行高效语义检索，推理深度和准确性之间的关联，并提取全局、Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，不具有推理能力 GPT-4o 表现出非常单一的行为模型。片段字幕及其嵌入向量，DVD 智能体取得了 74.2% 的最新准确率，我们将原始的长视频转换为多粒度视频数据库，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。