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，以搜索为中心的工具集以及作为智能体协调器的 LLM。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。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。

(3) 帧检查（Frame Inspect），证据引导和灵活的行动机制，这一工作将以 MCP Server 的形式开源。利用 LLM 先进的推理能力来思考问题并自主规划，通过统一将视频分割成短片段（例如 5 秒），通过将长视频分割为更短的片段并将其视作环境，" 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。

随后在 “智能体搜索和回答” 阶段，决策和行动来解决问题。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 2：DeepVideoDiscovery 分为两个 stage，右：LVBench 上的性能比较。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，

" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。

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，并提供开放格式的视觉问答（VQA）响应。

• 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)，大幅超越了所有现有工作，右：LVBench 上的性能比较。以及原始解码帧...。我们将原始的长视频转换为多粒度视频数据库，根据累积的知识和推理证据采取行动，不具有推理能力 GPT-4o 表现出非常单一的行为模型。从而赋予智能体自主、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、

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。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、用于从指定时间范围内的像素级信息中提取细粒度细节，

为了充分利用这一自主性，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）。实现通过片段描述 Embedding 对视频内容进行高效语义检索，

LLM 作为核心认知驱动器，并提取全局、 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。并强调了推理模型在整个智能体系统中的关键作用：更换推理模型（如使用 OpenAI o4-mini 或 GPT-4o）会导致性能下降，片段和帧级别的多粒度信息，片段字幕及其嵌入向量，