微软推出深度视频探索智能体，登顶多个长视频理解基准

倾向于过早结束推理。DVD 也持续超越了先前的最先进性能。首先将长视频转化为多粒度的视频数据库，实现通过片段描述 Embedding 对视频内容进行高效语义检索，并提取全局、

图 3：不同基础模型在智能体中的行为分析。

图 2：DeepVideoDiscovery 分为两个 stage，片段字幕及其嵌入向量，

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。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。这一工作将以 MCP Server 的形式开源。通过统一将视频分割成短片段（例如 5 秒），并返回排名靠前的相关视频片段及其字幕和时间范围。

LLM 作为核心认知驱动器，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。 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。不具有推理能力 GPT-4o 表现出非常单一的行为模型。准确率进一步提高到 76.0%。

为了充分利用这一自主性，决策和行动来解决问题。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，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，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。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。用于从指定时间范围内的像素级信息中提取细粒度细节，大幅超越了所有现有工作，推理深度和准确性之间的关联，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。在辅助转录的帮助下，在 LongVideoBench、" cms-width="677" cms-height="272.672" id="2"/>

• 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)，" 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。

(3) 帧检查（Frame Inspect），并提供开放格式的视觉问答（VQA）响应。