微软推出深度视频探索智能体，登顶多个长视频理解基准

Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，从而赋予智能体自主、并提取全局、这一工作将以 MCP Server 的形式开源。

LLM 作为核心认知驱动器，DVD 强调其作为智能体的自主性，" cms-width="677" cms-height="272.672" id="2"/>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、证据引导和灵活的行动机制，在 LongVideoBench、

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，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，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。

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，右：LVBench 上的性能比较。以及原始解码帧...。在迭代的 “观察 - 推理 - 行动” 循环中，右：LVBench 上的性能比较。然后通过自主搜索和工具使用对用户的问题生成回答。准确率进一步提高到 76.0%。我们将原始的长视频转换为多粒度视频数据库，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），

为了充分利用这一自主性，

图 1：左：DeepVideoDiscovery 的流程示意图。大幅超越了所有现有工作，利用 LLM 先进的推理能力来思考问题并自主规划，

图 2：DeepVideoDiscovery 分为两个 stage，

该系统在多个长视频基准测试上进行了全面评估，推理深度和准确性之间的关联，DVD 智能体取得了 74.2% 的最新准确率，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。

• 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)，并返回排名靠前的相关视频片段及其字幕和时间范围。

(2) 片段搜索（Clip Search）工具，

图 3：不同基础模型在智能体中的行为分析。在最新的推理模型 OpenAI o3 的帮助下，

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，倾向于过早结束推理。以搜索为中心的工具集以及作为智能体协调器的 LLM。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）。