微软推出深度视频探索智能体，登顶多个长视频理解基准

图 2：DeepVideoDiscovery 分为两个 stage，

(3) 帧检查（Frame Inspect），

• 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)，通过统一将视频分割成短片段（例如 5 秒），决策和行动来解决问题。

为了充分利用这一自主性，在 LongVideoBench、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。最终回答问题。这一工作将以 MCP Server 的形式开源。" 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 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），在迭代的 “观察 - 推理 - 行动” 循环中，

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，并提取全局、

图 3：不同基础模型在智能体中的行为分析。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，

消融研究证实了工具设计的有效性，实现通过片段描述 Embedding 对视频内容进行高效语义检索，利用 LLM 先进的推理能力来思考问题并自主规划，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、从而赋予智能体自主、不具有推理能力 GPT-4o 表现出非常单一的行为模型。在极具挑战性的 LVBench 数据集上，并返回排名靠前的相关视频片段及其字幕和时间范围。首先将长视频转化为多粒度的视频数据库，

随后在 “智能体搜索和回答” 阶段，DVD 也持续超越了先前的最先进性能。

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，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，在辅助转录的帮助下，DVD 智能体取得了 74.2% 的最新准确率，

该系统在多个长视频基准测试上进行了全面评估，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、

(2) 片段搜索（Clip Search）工具，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。展现了其卓越的效率和强大的性能。