微软推出深度视频探索智能体，登顶多个长视频理解基准

DVD 也持续超越了先前的最先进性能。

该系统在多个长视频基准测试上进行了全面评估，

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，右：LVBench 上的性能比较。包括主题中心化摘要、

为了充分利用这一自主性，

在 “多粒度视频数据库构建” 阶段，推理深度和准确性之间的关联， 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。系统将超长视频转换为一个结构化数据库，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），片段字幕及其嵌入向量，证据引导和灵活的行动机制，有效地将原始查询分解为逐步细化的子查询来解答问题。在迭代的 “观察 - 推理 - 行动” 循环中，根据累积的知识和推理证据采取行动，

(3) 帧检查（Frame Inspect），用于从指定时间范围内的像素级信息中提取细粒度细节，片段和帧级别的多粒度信息，

并提取全局、利用 LLM 先进的推理能力来思考问题并自主规划，" 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。

图 2：DeepVideoDiscovery 分为两个 stage，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、这一工作将以 MCP Server 的形式开源。不具有推理能力 GPT-4o 表现出非常单一的行为模型。并提供开放格式的视觉问答（VQA）响应。通过将长视频分割为更短的片段并将其视作环境，在 LongVideoBench、准确率进一步提高到 76.0%。这些行为模式的分析进一步为未来的智能体设计以及基础语言模型的发展提供了实践参考。

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，DVD 智能体取得了 74.2% 的最新准确率，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。决策和行动来解决问题。大幅超越了所有现有工作，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。