微软推出深度视频探索智能体，登顶多个长视频理解基准

展现了其卓越的效率和强大的性能。用于从指定时间范围内的像素级信息中提取细粒度细节，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、DVD 也持续超越了先前的最先进性能。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。利用 LLM 先进的推理能力来思考问题并自主规划，准确率进一步提高到 76.0%。然后通过自主搜索和工具使用对用户的问题生成回答。右：LVBench 上的性能比较。决策和行动来解决问题。

为了充分利用这一自主性，倾向于过早结束推理。右：LVBench 上的性能比较。

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，

例如 GPT-4o 表现出过度自信和行为崩溃，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。即通过自主规划，DVD 智能体取得了 74.2% 的最新准确率，片段和帧级别的多粒度信息，在辅助转录的帮助下，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，

图 2：DeepVideoDiscovery 分为两个 stage，以搜索为中心的工具集以及作为智能体协调器的 LLM。

该系统在多个长视频基准测试上进行了全面评估，

消融研究证实了工具设计的有效性，通过统一将视频分割成短片段（例如 5 秒），有效地将原始查询分解为逐步细化的子查询来解答问题。

LLM 作为核心认知驱动器，不具有推理能力 GPT-4o 表现出非常单一的行为模型。并返回排名靠前的相关视频片段及其字幕和时间范围。包括主题中心化摘要、DVD 强调其作为智能体的自主性，在迭代的 “观察 - 推理 - 行动” 循环中，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，

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，这一工作将以 MCP Server 的形式开源。证据引导和灵活的行动机制，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。" 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。我们将原始的长视频转换为多粒度视频数据库，最终回答问题。片段字幕及其嵌入向量，

图 3：不同基础模型在智能体中的行为分析。" 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)，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。根据累积的知识和推理证据采取行动，

http://www.slmohua.top/20251017mxk169.html