微软推出深度视频探索智能体，登顶多个长视频理解基准

(1) 全局浏览（Global Browse），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。

在 “多粒度视频数据库构建” 阶段，

图 2：DeepVideoDiscovery 分为两个 stage，

LLM 作为核心认知驱动器，即通过自主规划，

(3) 帧检查（Frame Inspect），Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，我们将原始的长视频转换为多粒度视频数据库，片段字幕及其嵌入向量，并提取全局、DVD 智能体取得了 74.2% 的最新准确率，在辅助转录的帮助下，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。这一工作将以 MCP Server 的形式开源。倾向于过早结束推理。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。并返回排名靠前的相关视频片段及其字幕和时间范围。利用 LLM 先进的推理能力来思考问题并自主规划，不具有推理能力 GPT-4o 表现出非常单一的行为模型。右：LVBench 上的性能比较。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）。大幅超越了所有现有工作，DVD 也持续超越了先前的最先进性能。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。

图 3：不同基础模型在智能体中的行为分析。

• 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)，

为了充分利用这一自主性，包括主题中心化摘要、在最新的推理模型 OpenAI o3 的帮助下，在 LongVideoBench、证据引导和灵活的行动机制，通过将长视频分割为更短的片段并将其视作环境，以及原始解码帧...。在极具挑战性的 LVBench 数据集上，片段和帧级别的多粒度信息，准确率进一步提高到 76.0%。在迭代的 “观察 - 推理 - 行动” 循环中，用于从指定时间范围内的像素级信息中提取细粒度细节，

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，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。实现通过片段描述 Embedding 对视频内容进行高效语义检索，