微软推出深度视频探索智能体，登顶多个长视频理解基准

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、

随后在 “智能体搜索和回答” 阶段，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 1：左：DeepVideoDiscovery 的流程示意图。

(3) 帧检查（Frame Inspect），Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，这一工作将以 MCP Server 的形式开源。最终回答问题。

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，

• 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)，决策和行动来解决问题。在最新的推理模型 OpenAI o3 的帮助下，准确率进一步提高到 76.0%。

图 3：不同基础模型在智能体中的行为分析。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。" 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。通过统一将视频分割成短片段（例如 5 秒）， 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。在极具挑战性的 LVBench 数据集上，展现了其卓越的效率和强大的性能。在辅助转录的帮助下，

图 2：DeepVideoDiscovery 分为两个 stage，实现通过片段描述 Embedding 对视频内容进行高效语义检索，包括主题中心化摘要、片段字幕及其嵌入向量，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，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。在 LongVideoBench、用于从指定时间范围内的像素级信息中提取细粒度细节，

(2) 片段搜索（Clip Search）工具，" cms-width="677" cms-height="272.672" id="2"/>