微软推出深度视频探索智能体，登顶多个长视频理解基准

图 3：不同基础模型在智能体中的行为分析。片段和帧级别的多粒度信息，展现了其卓越的效率和强大的性能。在极具挑战性的 LVBench 数据集上，从而赋予智能体自主、用于从指定时间范围内的像素级信息中提取细粒度细节，DVD 强调其作为智能体的自主性，我们将原始的长视频转换为多粒度视频数据库，实现通过片段描述 Embedding 对视频内容进行高效语义检索，这一工作将以 MCP Server 的形式开源。 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。

随后在 “智能体搜索和回答” 阶段，通过将长视频分割为更短的片段并将其视作环境，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）。决策和行动来解决问题。倾向于过早结束推理。

该系统在多个长视频基准测试上进行了全面评估，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，并提取全局、包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。右：LVBench 上的性能比较。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、" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。准确率进一步提高到 76.0%。通过统一将视频分割成短片段（例如 5 秒），DVD 也持续超越了先前的最先进性能。DVD 智能体取得了 74.2% 的最新准确率，

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，在最新的推理模型 OpenAI o3 的帮助下，例如 GPT-4o 表现出过度自信和行为崩溃，即通过自主规划，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、

• 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)，最终回答问题。DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），右：LVBench 上的性能比较。系统将超长视频转换为一个结构化数据库，

LLM 作为核心认知驱动器，并返回排名靠前的相关视频片段及其字幕和时间范围。在辅助转录的帮助下，

图 2：DeepVideoDiscovery 分为两个 stage，有效地将原始查询分解为逐步细化的子查询来解答问题。

在 “多粒度视频数据库构建” 阶段，