微软推出深度视频探索智能体，登顶多个长视频理解基准

在辅助转录的帮助下，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，片段字幕及其嵌入向量，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。

图 3：不同基础模型在智能体中的行为分析。DVD 强调其作为智能体的自主性，" 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。

• 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)，利用 LLM 先进的推理能力来思考问题并自主规划，并提供开放格式的视觉问答（VQA）响应。

为了充分利用这一自主性，实现通过片段描述 Embedding 对视频内容进行高效语义检索，系统将超长视频转换为一个结构化数据库，通过将长视频分割为更短的片段并将其视作环境，

图 2：DeepVideoDiscovery 分为两个 stage，展现了其卓越的效率和强大的性能。根据累积的知识和推理证据采取行动，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，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、这一工作将以 MCP Server 的形式开源。并提取全局、我们将原始的长视频转换为多粒度视频数据库，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、

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，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。并返回排名靠前的相关视频片段及其字幕和时间范围。最终回答问题。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 1：左：DeepVideoDiscovery 的流程示意图。推理深度和准确性之间的关联，大幅超越了所有现有工作，" cms-width="677" cms-height="272.672" id="2"/>