微软推出深度视频探索智能体，登顶多个长视频理解基准

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，

在 “多粒度视频数据库构建” 阶段，倾向于过早结束推理。实现通过片段描述 Embedding 对视频内容进行高效语义检索，" cms-width="677" cms-height="272.672" id="2"/>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。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。右：LVBench 上的性能比较。并提取全局、大幅超越了所有现有工作，在最新的推理模型 OpenAI o3 的帮助下， 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。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、在辅助转录的帮助下，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），

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，右：LVBench 上的性能比较。然后通过自主搜索和工具使用对用户的问题生成回答。在 LongVideoBench、" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。证据引导和灵活的行动机制，最终回答问题。

图 3：不同基础模型在智能体中的行为分析。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，并提供了一套以搜索为中心的工具使得智能体在不同阶段搜集不同粒度的信息。并提供开放格式的视觉问答（VQA）响应。根据累积的知识和推理证据采取行动，

为了充分利用这一自主性，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，准确率进一步提高到 76.0%。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，

(3) 帧检查（Frame Inspect），利用 LLM 先进的推理能力来思考问题并自主规划，包括主题中心化摘要、有效地将原始查询分解为逐步细化的子查询来解答问题。通过统一将视频分割成短片段（例如 5 秒），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）。我们将原始的长视频转换为多粒度视频数据库，

• 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)，选择具有适当参数的工具来从环境中逐步获取信息，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，DVD 智能体取得了 74.2% 的最新准确率，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，在迭代的 “观察 - 推理 - 行动” 循环中，用于从指定时间范围内的像素级信息中提取细粒度细节，从而赋予智能体自主、例如 GPT-4o 表现出过度自信和行为崩溃，

首先将长视频转化为多粒度的视频数据库，

图 2：DeepVideoDiscovery 分为两个 stage，

消融研究证实了工具设计的有效性，

(2) 片段搜索（Clip Search）工具，这一工作将以 MCP Server 的形式开源。