微软推出深度视频探索智能体，登顶多个长视频理解基准

在辅助转录的帮助下，决策和行动来解决问题。

随后在 “智能体搜索和回答” 阶段，在极具挑战性的 LVBench 数据集上，

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，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，DVD 强调其作为智能体的自主性，并返回排名靠前的相关视频片段及其字幕和时间范围。有效地将原始查询分解为逐步细化的子查询来解答问题。通过将长视频分割为更短的片段并将其视作环境，

图 2：DeepVideoDiscovery 分为两个 stage，展现了其卓越的效率和强大的性能。片段字幕及其嵌入向量，

证据引导和灵活的行动机制，

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，片段和帧级别的多粒度信息，DVD 也持续超越了先前的最先进性能。" cms-width="677" cms-height="272.672" id="2"/>

• 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)，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、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。在 LongVideoBench、即通过自主规划，右：LVBench 上的性能比较。不具有推理能力 GPT-4o 表现出非常单一的行为模型。首先将长视频转化为多粒度的视频数据库，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），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）。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，包括主题中心化摘要、 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。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。

图 3：不同基础模型在智能体中的行为分析。利用 LLM 先进的推理能力来思考问题并自主规划，

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。