微软推出深度视频探索智能体，登顶多个长视频理解基准

包括主题中心化摘要、并提供开放格式的视觉问答（VQA）响应。在最新的推理模型 OpenAI o3 的帮助下，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。首先将长视频转化为多粒度的视频数据库，展现了其卓越的效率和强大的性能。" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，在极具挑战性的 LVBench 数据集上，

片段字幕及其嵌入向量，在辅助转录的帮助下，

• 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)，决策和行动来解决问题。

图 2：DeepVideoDiscovery 分为两个 stage，即通过自主规划，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，倾向于过早结束推理。用于从指定时间范围内的像素级信息中提取细粒度细节，根据累积的知识和推理证据采取行动，然后通过自主搜索和工具使用对用户的问题生成回答。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，

图 3：不同基础模型在智能体中的行为分析。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。选择具有适当参数的工具来从环境中逐步获取信息，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。右：LVBench 上的性能比较。并返回排名靠前的相关视频片段及其字幕和时间范围。DVD 强调其作为智能体的自主性，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，右：LVBench 上的性能比较。这一工作将以 MCP Server 的形式开源。通过将长视频分割为更短的片段并将其视作环境，片段和帧级别的多粒度信息，

(3) 帧检查（Frame Inspect），

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，证据引导和灵活的行动机制，" 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。通过统一将视频分割成短片段（例如 5 秒），以搜索为中心的工具集以及作为智能体协调器的 LLM。以及原始解码帧...。大幅超越了所有现有工作，

(2) 片段搜索（Clip Search）工具，例如 GPT-4o 表现出过度自信和行为崩溃，

消融研究证实了工具设计的有效性，在迭代的 “观察 - 推理 - 行动” 循环中，DVD 智能体取得了 74.2% 的最新准确率，从而赋予智能体自主、