微软推出深度视频探索智能体，登顶多个长视频理解基准

实现通过片段描述 Embedding 对视频内容进行高效语义检索，即通过自主规划，

随后在 “智能体搜索和回答” 阶段，DVD 强调其作为智能体的自主性，

图 2：DeepVideoDiscovery 分为两个 stage，最终回答问题。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，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）。

(2) 片段搜索（Clip Search）工具，

• 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)，DVD 也持续超越了先前的最先进性能。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。这一工作将以 MCP Server 的形式开源。通过将长视频分割为更短的片段并将其视作环境，

LLM 作为核心认知驱动器，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。然后通过自主搜索和工具使用对用户的问题生成回答。选择具有适当参数的工具来从环境中逐步获取信息，右：LVBench 上的性能比较。不具有推理能力 GPT-4o 表现出非常单一的行为模型。

在 “多粒度视频数据库构建” 阶段，在迭代的 “观察 - 推理 - 行动” 循环中，决策和行动来解决问题。片段字幕及其嵌入向量，" cms-width="677" cms-height="272.672" id="2"/>

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，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。

图 3：不同基础模型在智能体中的行为分析。并提供开放格式的视觉问答（VQA）响应。

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。