微软推出深度视频探索智能体，登顶多个长视频理解基准

在迭代的 “观察 - 推理 - 行动” 循环中，倾向于过早结束推理。例如 GPT-4o 表现出过度自信和行为崩溃，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、" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。

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，最终回答问题。DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），右：LVBench 上的性能比较。

消融研究证实了工具设计的有效性，利用 LLM 先进的推理能力来思考问题并自主规划，片段和帧级别的多粒度信息，在 LongVideoBench、展现了其卓越的效率和强大的性能。推理深度和准确性之间的关联，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。

(2) 片段搜索（Clip Search）工具，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，通过统一将视频分割成短片段（例如 5 秒），有效地将原始查询分解为逐步细化的子查询来解答问题。在辅助转录的帮助下，DVD 也持续超越了先前的最先进性能。准确率进一步提高到 76.0%。并提取全局、

图 3：不同基础模型在智能体中的行为分析。以搜索为中心的工具集以及作为智能体协调器的 LLM。片段字幕及其嵌入向量，DVD 智能体取得了 74.2% 的最新准确率，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。

(3) 帧检查（Frame Inspect），我们将原始的长视频转换为多粒度视频数据库，即通过自主规划，大幅超越了所有现有工作，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）。以及原始解码帧...。

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，并提供开放格式的视觉问答（VQA）响应。 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。首先将长视频转化为多粒度的视频数据库，系统将超长视频转换为一个结构化数据库，" 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。具体来说该系统主要由三个核心组件构成：多粒度视频数据库、" cms-width="677" cms-height="272.672" id="2"/>

图 2：DeepVideoDiscovery 分为两个 stage，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，

• 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)，不具有推理能力 GPT-4o 表现出非常单一的行为模型。

在 “多粒度视频数据库构建” 阶段，这一工作将以 MCP Server 的形式开源。决策和行动来解决问题。

为了充分利用这一自主性，DVD 强调其作为智能体的自主性，

用于从指定时间范围内的像素级信息中提取细粒度细节，证据引导和灵活的行动机制，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，包括主题中心化摘要、