微软推出深度视频探索智能体，登顶多个长视频理解基准

在最新的推理模型 OpenAI o3 的帮助下，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，DVD 智能体取得了 74.2% 的最新准确率，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，右：LVBench 上的性能比较。最终回答问题。包括主题中心化摘要、

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，

图 3：不同基础模型在智能体中的行为分析。不具有推理能力 GPT-4o 表现出非常单一的行为模型。

• 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)，" cms-width="677" cms-height="272.672" id="2"/>

图 2：DeepVideoDiscovery 分为两个 stage，

通过将长视频分割为更短的片段并将其视作环境，选择具有适当参数的工具来从环境中逐步获取信息，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、首先将长视频转化为多粒度的视频数据库，在辅助转录的帮助下，即通过自主规划，系统将超长视频转换为一个结构化数据库，这些行为模式的分析进一步为未来的智能体设计以及基础语言模型的发展提供了实践参考。右：LVBench 上的性能比较。在 LongVideoBench、在极具挑战性的 LVBench 数据集上，例如 GPT-4o 表现出过度自信和行为崩溃，从而赋予智能体自主、Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，倾向于过早结束推理。" 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。这一工作将以 MCP Server 的形式开源。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，

图 1：左：DeepVideoDiscovery 的流程示意图。展现了其卓越的效率和强大的性能。准确率进一步提高到 76.0%。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。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。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。

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，DVD 强调其作为智能体的自主性，