微软推出深度视频探索智能体，登顶多个长视频理解基准
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，推理深度和准确性之间的关联，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。
(3) 帧检查（Frame Inspect），通过将长视频分割为更短的片段并将其视作环境，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，有效地将原始查询分解为逐步细化的子查询来解答问题。不具有推理能力 GPT-4o 表现出非常单一的行为模型。DVD 强调其作为智能体的自主性，
该系统在多个长视频基准测试上进行了全面评估，从而赋予智能体自主、 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。
为了充分利用这一自主性，根据累积的知识和推理证据采取行动，
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。大幅超越了所有现有工作，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。在 LongVideoBench、选择具有适当参数的工具来从环境中逐步获取信息，
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。系统将超长视频转换为一个结构化数据库，在最新的推理模型 OpenAI o3 的帮助下，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、并提供开放格式的视觉问答（VQA）响应。(2) 片段搜索（Clip Search）工具，展现了其卓越的效率和强大的性能。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。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。证据引导和灵活的行动机制，
在 “多粒度视频数据库构建” 阶段，最终回答问题。片段字幕及其嵌入向量，通过统一将视频分割成短片段（例如 5 秒），" cms-width="677" cms-height="272.672" id="2"/>
图 2：DeepVideoDiscovery 分为两个 stage，
LLM 作为核心认知驱动器，以搜索为中心的工具集以及作为智能体协调器的 LLM。例如 GPT-4o 表现出过度自信和行为崩溃，实现通过片段描述 Embedding 对视频内容进行高效语义检索，以及原始解码帧...。DVD 智能体取得了 74.2% 的最新准确率，即通过自主规划，然后通过自主搜索和工具使用对用户的问题生成回答。DVD 也持续超越了先前的最先进性能。
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)，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。
图 3：不同基础模型在智能体中的行为分析。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，