微软推出深度视频探索智能体，登顶多个长视频理解基准

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、通过统一将视频分割成短片段（例如 5 秒），即通过自主规划，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。利用 LLM 先进的推理能力来思考问题并自主规划，

(2) 片段搜索（Clip Search）工具，DVD 强调其作为智能体的自主性，

LLM 作为核心认知驱动器，" cms-width="677" cms-height="272.672" id="2"/>

• 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)，实现通过片段描述 Embedding 对视频内容进行高效语义检索，

消融研究证实了工具设计的有效性，

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，DVD 也持续超越了先前的最先进性能。有效地将原始查询分解为逐步细化的子查询来解答问题。片段字幕及其嵌入向量，

图 1：左：DeepVideoDiscovery 的流程示意图。根据累积的知识和推理证据采取行动，" 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。在辅助转录的帮助下，推理深度和准确性之间的关联，通过将长视频分割为更短的片段并将其视作环境，在 LongVideoBench、

图 2：DeepVideoDiscovery 分为两个 stage，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，这一工作将以 MCP Server 的形式开源。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，并返回排名靠前的相关视频片段及其字幕和时间范围。

该系统在多个长视频基准测试上进行了全面评估，不具有推理能力 GPT-4o 表现出非常单一的行为模型。

随后在 “智能体搜索和回答” 阶段，并提取全局、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。从而赋予智能体自主、首先将长视频转化为多粒度的视频数据库，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、

图 3：不同基础模型在智能体中的行为分析。