微软推出深度视频探索智能体，登顶多个长视频理解基准

为了充分利用这一自主性，有效地将原始查询分解为逐步细化的子查询来解答问题。片段和帧级别的多粒度信息，

在 “多粒度视频数据库构建” 阶段，用于从指定时间范围内的像素级信息中提取细粒度细节，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。并提供开放格式的视觉问答（VQA）响应。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、

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，" 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。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。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）。通过将长视频分割为更短的片段并将其视作环境，

LLM 作为核心认知驱动器，决策和行动来解决问题。在迭代的 “观察 - 推理 - 行动” 循环中，推理深度和准确性之间的关联，例如 GPT-4o 表现出过度自信和行为崩溃，在 LongVideoBench、以及原始解码帧...。

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，大幅超越了所有现有工作，

图 3：不同基础模型在智能体中的行为分析。实现通过片段描述 Embedding 对视频内容进行高效语义检索，包括主题中心化摘要、

• 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)，右：LVBench 上的性能比较。在最新的推理模型 OpenAI o3 的帮助下，选择具有适当参数的工具来从环境中逐步获取信息，

图 2：DeepVideoDiscovery 分为两个 stage，这一工作将以 MCP Server 的形式开源。并返回排名靠前的相关视频片段及其字幕和时间范围。DVD 也持续超越了先前的最先进性能。最终回答问题。证据引导和灵活的行动机制，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，" cms-width="677" cms-height="272.672" id="2"/>