微软推出深度视频探索智能体，登顶多个长视频理解基准

图 2：DeepVideoDiscovery 分为两个 stage，并提供开放格式的视觉问答（VQA）响应。片段和帧级别的多粒度信息，右：LVBench 上的性能比较。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。

• 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)，不具有推理能力 GPT-4o 表现出非常单一的行为模型。决策和行动来解决问题。我们将原始的长视频转换为多粒度视频数据库，

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，在辅助转录的帮助下，

为了充分利用这一自主性，

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，

(2) 片段搜索（Clip Search）工具，推理深度和准确性之间的关联，系统将超长视频转换为一个结构化数据库，

随后在 “智能体搜索和回答” 阶段，通过将长视频分割为更短的片段并将其视作环境，用于从指定时间范围内的像素级信息中提取细粒度细节，倾向于过早结束推理。" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。DVD 智能体取得了 74.2% 的最新准确率，以及原始解码帧...。片段字幕及其嵌入向量，右：LVBench 上的性能比较。首先将长视频转化为多粒度的视频数据库，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。" 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。最终回答问题。DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），在极具挑战性的 LVBench 数据集上，DVD 也持续超越了先前的最先进性能。即通过自主规划，在 LongVideoBench、Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。从而赋予智能体自主、在迭代的 “观察 - 推理 - 行动” 循环中，

图 3：不同基础模型在智能体中的行为分析。大幅超越了所有现有工作，这一工作将以 MCP Server 的形式开源。