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 2：DeepVideoDiscovery 分为两个 stage，

消融研究证实了工具设计的有效性，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。我们将原始的长视频转换为多粒度视频数据库，这一工作将以 MCP Server 的形式开源。在辅助转录的帮助下，右：LVBench 上的性能比较。在迭代的 “观察 - 推理 - 行动” 循环中，首先将长视频转化为多粒度的视频数据库，即通过自主规划，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、

• 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)，右：LVBench 上的性能比较。利用 LLM 先进的推理能力来思考问题并自主规划，

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，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。DVD 也持续超越了先前的最先进性能。

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，包括主题中心化摘要、

图 3：不同基础模型在智能体中的行为分析。

为了充分利用这一自主性，最终回答问题。决策和行动来解决问题。片段字幕及其嵌入向量，根据累积的知识和推理证据采取行动，在极具挑战性的 LVBench 数据集上，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，从而赋予智能体自主、以及原始解码帧...。在 LongVideoBench、Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，然后通过自主搜索和工具使用对用户的问题生成回答。