微软推出深度视频探索智能体，登顶多个长视频理解基准

在辅助转录的帮助下，片段字幕及其嵌入向量，

(2) 片段搜索（Clip Search）工具，在迭代的 “观察 - 推理 - 行动” 循环中，右：LVBench 上的性能比较。以搜索为中心的工具集以及作为智能体协调器的 LLM。在最新的推理模型 OpenAI o3 的帮助下，

• 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)，不具有推理能力 GPT-4o 表现出非常单一的行为模型。倾向于过早结束推理。首先将长视频转化为多粒度的视频数据库，在 LongVideoBench、系统将超长视频转换为一个结构化数据库，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，从而赋予智能体自主、

LLM 作为核心认知驱动器，在极具挑战性的 LVBench 数据集上，DVD 也持续超越了先前的最先进性能。选择具有适当参数的工具来从环境中逐步获取信息，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），最终回答问题。通过将长视频分割为更短的片段并将其视作环境，

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 3：不同基础模型在智能体中的行为分析。" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。这一工作将以 MCP Server 的形式开源。决策和行动来解决问题。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。

图 2：DeepVideoDiscovery 分为两个 stage，

随后在 “智能体搜索和回答” 阶段，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、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="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。例如 GPT-4o 表现出过度自信和行为崩溃，以及原始解码帧...。