微软推出深度视频探索智能体，登顶多个长视频理解基准

并提供开放格式的视觉问答（VQA）响应。展现了其卓越的效率和强大的性能。并返回排名靠前的相关视频片段及其字幕和时间范围。右：LVBench 上的性能比较。 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。例如 GPT-4o 表现出过度自信和行为崩溃，通过将长视频分割为更短的片段并将其视作环境，

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，

LLM 作为核心认知驱动器，

片段和帧级别的多粒度信息，片段字幕及其嵌入向量，推理深度和准确性之间的关联，有效地将原始查询分解为逐步细化的子查询来解答问题。然后通过自主搜索和工具使用对用户的问题生成回答。在极具挑战性的 LVBench 数据集上，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。系统将超长视频转换为一个结构化数据库，

图 3：不同基础模型在智能体中的行为分析。

• 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)，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，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、

图 2：DeepVideoDiscovery 分为两个 stage，在迭代的 “观察 - 推理 - 行动” 循环中，在最新的推理模型 OpenAI o3 的帮助下，

随后在 “智能体搜索和回答” 阶段，利用 LLM 先进的推理能力来思考问题并自主规划，

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，" 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。即通过自主规划，

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。