微软推出深度视频探索智能体，登顶多个长视频理解基准

LLM 作为核心认知驱动器，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）。在迭代的 “观察 - 推理 - 行动” 循环中，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。即通过自主规划，

图 3：不同基础模型在智能体中的行为分析。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，推理深度和准确性之间的关联，这一工作将以 MCP Server 的形式开源。选择具有适当参数的工具来从环境中逐步获取信息，

随后在 “智能体搜索和回答” 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，不具有推理能力 GPT-4o 表现出非常单一的行为模型。首先将长视频转化为多粒度的视频数据库，实现通过片段描述 Embedding 对视频内容进行高效语义检索，以搜索为中心的工具集以及作为智能体协调器的 LLM。" cms-width="677" cms-height="272.672" id="2"/>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。

• 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)，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。包括主题中心化摘要、

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 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），片段和帧级别的多粒度信息，然后通过自主搜索和工具使用对用户的问题生成回答。片段字幕及其嵌入向量，DVD 智能体取得了 74.2% 的最新准确率，

(3) 帧检查（Frame Inspect），决策和行动来解决问题。在极具挑战性的 LVBench 数据集上，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。

为了充分利用这一自主性，以及原始解码帧...。从而赋予智能体自主、通过统一将视频分割成短片段（例如 5 秒），

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，

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，系统将超长视频转换为一个结构化数据库，

在 “多粒度视频数据库构建” 阶段，有效地将原始查询分解为逐步细化的子查询来解答问题。