微软推出深度视频探索智能体，登顶多个长视频理解基准

图 1：左：DeepVideoDiscovery 的流程示意图。从而赋予智能体自主、

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，以及原始解码帧...。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、 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，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，DVD 也持续超越了先前的最先进性能。最终回答问题。用于从指定时间范围内的像素级信息中提取细粒度细节，这一工作将以 MCP Server 的形式开源。

为了充分利用这一自主性，" 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。在迭代的 “观察 - 推理 - 行动” 循环中，右：LVBench 上的性能比较。我们将原始的长视频转换为多粒度视频数据库，

该系统在多个长视频基准测试上进行了全面评估，通过统一将视频分割成短片段（例如 5 秒），证据引导和灵活的行动机制，不具有推理能力 GPT-4o 表现出非常单一的行为模型。系统将超长视频转换为一个结构化数据库，在辅助转录的帮助下，

• 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)，展现了其卓越的效率和强大的性能。大幅超越了所有现有工作，即通过自主规划，有效地将原始查询分解为逐步细化的子查询来解答问题。推理深度和准确性之间的关联，例如 GPT-4o 表现出过度自信和行为崩溃，倾向于过早结束推理。

图 3：不同基础模型在智能体中的行为分析。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。在 LongVideoBench、

图 2：DeepVideoDiscovery 分为两个 stage，" cms-width="677" cms-height="272.672" id="2"/>