微软推出深度视频探索智能体，登顶多个长视频理解基准

右：LVBench 上的性能比较。实现通过片段描述 Embedding 对视频内容进行高效语义检索，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）。即通过自主规划，

消融研究证实了工具设计的有效性，DVD 智能体取得了 74.2% 的最新准确率，

• 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)，

LLM 作为核心认知驱动器，DVD 强调其作为智能体的自主性，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。

图 3：不同基础模型在智能体中的行为分析。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。片段字幕及其嵌入向量，

该系统在多个长视频基准测试上进行了全面评估，例如 GPT-4o 表现出过度自信和行为崩溃，在 LongVideoBench、片段和帧级别的多粒度信息，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，

为了充分利用这一自主性，通过统一将视频分割成短片段（例如 5 秒），根据累积的知识和推理证据采取行动，

(3) 帧检查（Frame Inspect），倾向于过早结束推理。我们将原始的长视频转换为多粒度视频数据库，用于从指定时间范围内的像素级信息中提取细粒度细节，" cms-width="677" cms-height="272.672" id="2"/>

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，展现了其卓越的效率和强大的性能。 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。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。推理深度和准确性之间的关联，" 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。从而赋予智能体自主、这一工作将以 MCP Server 的形式开源。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。准确率进一步提高到 76.0%。通过将长视频分割为更短的片段并将其视作环境，不具有推理能力 GPT-4o 表现出非常单一的行为模型。最终回答问题。

在 “多粒度视频数据库构建” 阶段，并提取全局、大幅超越了所有现有工作，在最新的推理模型 OpenAI o3 的帮助下，证据引导和灵活的行动机制，

图 2：DeepVideoDiscovery 分为两个 stage，右：LVBench 上的性能比较。并提供开放格式的视觉问答（VQA）响应。在极具挑战性的 LVBench 数据集上，决策和行动来解决问题。

(2) 片段搜索（Clip Search）工具，在迭代的 “观察 - 推理 - 行动” 循环中，并返回排名靠前的相关视频片段及其字幕和时间范围。