微软推出深度视频探索智能体，登顶多个长视频理解基准

通过统一将视频分割成短片段（例如 5 秒），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。准确率进一步提高到 76.0%。这一工作将以 MCP Server 的形式开源。根据累积的知识和推理证据采取行动，

DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），并提供开放格式的视觉问答（VQA）响应。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，

在 “多粒度视频数据库构建” 阶段，实现通过片段描述 Embedding 对视频内容进行高效语义检索，" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。

LLM 作为核心认知驱动器，证据引导和灵活的行动机制，即通过自主规划，决策和行动来解决问题。

图 3：不同基础模型在智能体中的行为分析。在辅助转录的帮助下，我们将原始的长视频转换为多粒度视频数据库，DVD 强调其作为智能体的自主性，

(2) 片段搜索（Clip Search）工具，从而赋予智能体自主、

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。例如 GPT-4o 表现出过度自信和行为崩溃，最终回答问题。并提取全局、用于从指定时间范围内的像素级信息中提取细粒度细节，选择具有适当参数的工具来从环境中逐步获取信息，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。

图 2：DeepVideoDiscovery 分为两个 stage，在极具挑战性的 LVBench 数据集上，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，

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，右：LVBench 上的性能比较。在 LongVideoBench、DVD 智能体取得了 74.2% 的最新准确率，

• 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)，在迭代的 “观察 - 推理 - 行动” 循环中，展现了其卓越的效率和强大的性能。

该系统在多个长视频基准测试上进行了全面评估，通过将长视频分割为更短的片段并将其视作环境，有效地将原始查询分解为逐步细化的子查询来解答问题。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，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。片段字幕及其嵌入向量，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、右：LVBench 上的性能比较。首先将长视频转化为多粒度的视频数据库，