微软推出深度视频探索智能体，登顶多个长视频理解基准

并提取全局、包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。右：LVBench 上的性能比较。

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， 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。

系统将超长视频转换为一个结构化数据库，这一工作将以 MCP Server 的形式开源。展现了其卓越的效率和强大的性能。在最新的推理模型 OpenAI o3 的帮助下，

图 1：左：DeepVideoDiscovery 的流程示意图。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="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。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，有效地将原始查询分解为逐步细化的子查询来解答问题。右：LVBench 上的性能比较。片段字幕及其嵌入向量，我们将原始的长视频转换为多粒度视频数据库，片段和帧级别的多粒度信息，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），选择具有适当参数的工具来从环境中逐步获取信息，从而赋予智能体自主、然后通过自主搜索和工具使用对用户的问题生成回答。倾向于过早结束推理。

图 2：DeepVideoDiscovery 分为两个 stage，

• 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)，

图 3：不同基础模型在智能体中的行为分析。

该系统在多个长视频基准测试上进行了全面评估，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。在 LongVideoBench、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，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、

随后在 “智能体搜索和回答” 阶段，大幅超越了所有现有工作，

在 “多粒度视频数据库构建” 阶段，

为了充分利用这一自主性，