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 “多粒度视频数据库构建” 阶段，

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，推理深度和准确性之间的关联，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="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。 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。

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，选择具有适当参数的工具来从环境中逐步获取信息，

图 3：不同基础模型在智能体中的行为分析。从而赋予智能体自主、有效地将原始查询分解为逐步细化的子查询来解答问题。并返回排名靠前的相关视频片段及其字幕和时间范围。以及原始解码帧...。片段和帧级别的多粒度信息，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。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，

• 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)，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，DVD 强调其作为智能体的自主性，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。

消融研究证实了工具设计的有效性，不具有推理能力 GPT-4o 表现出非常单一的行为模型。

LLM 作为核心认知驱动器，并提取全局、DVD 也持续超越了先前的最先进性能。在迭代的 “观察 - 推理 - 行动” 循环中，通过将长视频分割为更短的片段并将其视作环境，最终回答问题。对智能体推理行为的分析也揭示了不同模型在工具调用模式、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。" cms-width="677" cms-height="272.672" id="2"/>

图 2：DeepVideoDiscovery 分为两个 stage，然后通过自主搜索和工具使用对用户的问题生成回答。DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），即通过自主规划，证据引导和灵活的行动机制，决策和行动来解决问题。这一工作将以 MCP Server 的形式开源。右：LVBench 上的性能比较。DVD 智能体取得了 74.2% 的最新准确率，