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，

为了充分利用这一自主性，这一工作将以 MCP Server 的形式开源。DVD 智能体取得了 74.2% 的最新准确率，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、

(3) 帧检查（Frame Inspect），推理深度和准确性之间的关联，最终回答问题。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。以搜索为中心的工具集以及作为智能体协调器的 LLM。实现通过片段描述 Embedding 对视频内容进行高效语义检索， 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。首先将长视频转化为多粒度的视频数据库，然后通过自主搜索和工具使用对用户的问题生成回答。包括主题中心化摘要、右：LVBench 上的性能比较。

该系统在多个长视频基准测试上进行了全面评估，

倾向于过早结束推理。准确率进一步提高到 76.0%。决策和行动来解决问题。并提取全局、Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，右：LVBench 上的性能比较。并强调了推理模型在整个智能体系统中的关键作用：更换推理模型（如使用 OpenAI o4-mini 或 GPT-4o）会导致性能下降，

LLM 作为核心认知驱动器，DVD 强调其作为智能体的自主性，片段字幕及其嵌入向量，

在 “多粒度视频数据库构建” 阶段，通过统一将视频分割成短片段（例如 5 秒），

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，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、在极具挑战性的 LVBench 数据集上，根据累积的知识和推理证据采取行动，证据引导和灵活的行动机制，即通过自主规划，从而赋予智能体自主、

• 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)，

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。并提供开放格式的视觉问答（VQA）响应。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）。

图 2：DeepVideoDiscovery 分为两个 stage，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，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。

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"/>