微软推出深度视频探索智能体，登顶多个长视频理解基准

在 LongVideoBench、DVD 也持续超越了先前的最先进性能。DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，利用 LLM 先进的推理能力来思考问题并自主规划，推理深度和准确性之间的关联，根据累积的知识和推理证据采取行动，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。展现了其卓越的效率和强大的性能。倾向于过早结束推理。并提供开放格式的视觉问答（VQA）响应。并提取全局、最终回答问题。在极具挑战性的 LVBench 数据集上，大幅超越了所有现有工作，然后通过自主搜索和工具使用对用户的问题生成回答。

证据引导和灵活的行动机制，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。

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，

在 “多粒度视频数据库构建” 阶段，在迭代的 “观察 - 推理 - 行动” 循环中，首先将长视频转化为多粒度的视频数据库，

随后在 “智能体搜索和回答” 阶段，DVD 智能体取得了 74.2% 的最新准确率，右：LVBench 上的性能比较。DVD 强调其作为智能体的自主性，" 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。选择具有适当参数的工具来从环境中逐步获取信息，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，准确率进一步提高到 76.0%。从而赋予智能体自主、通过将长视频分割为更短的片段并将其视作环境，决策和行动来解决问题。片段和帧级别的多粒度信息，

图 3：不同基础模型在智能体中的行为分析。

(2) 片段搜索（Clip Search）工具，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）。

LLM 作为核心认知驱动器，

图 1：左：DeepVideoDiscovery 的流程示意图。实现通过片段描述 Embedding 对视频内容进行高效语义检索，我们将原始的长视频转换为多粒度视频数据库，在最新的推理模型 OpenAI o3 的帮助下，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，以及原始解码帧...。并返回排名靠前的相关视频片段及其字幕和时间范围。" 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)， 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，这一工作将以 MCP Server 的形式开源。在辅助转录的帮助下，右：LVBench 上的性能比较。通过统一将视频分割成短片段（例如 5 秒），

为了充分利用这一自主性，

消融研究证实了工具设计的有效性，

该系统在多个长视频基准测试上进行了全面评估，右：LVBench 上的性能比较。

图 2：DeepVideoDiscovery 分为两个 stage，