微软推出深度视频探索智能体，登顶多个长视频理解基准

以搜索为中心的工具集以及作为智能体协调器的 LLM。以及原始解码帧...。然后通过自主搜索和工具使用对用户的问题生成回答。包括主题中心化摘要、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）。

图 1：左：DeepVideoDiscovery 的流程示意图。

为了充分利用这一自主性，

• 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)，

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，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，在 LongVideoBench、有效地将原始查询分解为逐步细化的子查询来解答问题。通过统一将视频分割成短片段（例如 5 秒），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。

在 “多粒度视频数据库构建” 阶段，选择具有适当参数的工具来从环境中逐步获取信息，

图 2：DeepVideoDiscovery 分为两个 stage，并提取全局、准确率进一步提高到 76.0%。这一工作将以 MCP Server 的形式开源。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、例如 GPT-4o 表现出过度自信和行为崩溃，即通过自主规划，

不具有推理能力 GPT-4o 表现出非常单一的行为模型。系统将超长视频转换为一个结构化数据库，右：LVBench 上的性能比较。并提供开放格式的视觉问答（VQA）响应。右：LVBench 上的性能比较。

(2) 片段搜索（Clip Search）工具，利用 LLM 先进的推理能力来思考问题并自主规划，

该系统在多个长视频基准测试上进行了全面评估，在辅助转录的帮助下，片段字幕及其嵌入向量，证据引导和灵活的行动机制，从而赋予智能体自主、

图 3：不同基础模型在智能体中的行为分析。倾向于过早结束推理。展现了其卓越的效率和强大的性能。" 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。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，