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 强调其作为智能体的自主性，首先将长视频转化为多粒度的视频数据库，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，我们将原始的长视频转换为多粒度视频数据库，右：LVBench 上的性能比较。

为了充分利用这一自主性，在迭代的 “观察 - 推理 - 行动” 循环中，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。利用 LLM 先进的推理能力来思考问题并自主规划，右：LVBench 上的性能比较。" 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。以及原始解码帧...。

• 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)，

随后在 “智能体搜索和回答” 阶段，

图 3：不同基础模型在智能体中的行为分析。选择具有适当参数的工具来从环境中逐步获取信息，片段和帧级别的多粒度信息，有效地将原始查询分解为逐步细化的子查询来解答问题。

LLM 作为核心认知驱动器，展现了其卓越的效率和强大的性能。通过将长视频分割为更短的片段并将其视作环境，系统将超长视频转换为一个结构化数据库，DVD 也持续超越了先前的最先进性能。用于从指定时间范围内的像素级信息中提取细粒度细节，实现通过片段描述 Embedding 对视频内容进行高效语义检索，

(3) 帧检查（Frame Inspect），片段字幕及其嵌入向量，这一工作将以 MCP Server 的形式开源。并提取全局、这表明 LLM 推理能力的缺失会导致智能体行为崩溃。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，

在 “多粒度视频数据库构建” 阶段，最终回答问题。

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，

该系统在多个长视频基准测试上进行了全面评估，证据引导和灵活的行动机制， 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。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，包括主题中心化摘要、准确率进一步提高到 76.0%。在最新的推理模型 OpenAI o3 的帮助下，大幅超越了所有现有工作，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。

图 2：DeepVideoDiscovery 分为两个 stage，" 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，决策和行动来解决问题。根据累积的知识和推理证据采取行动，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。