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 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，最终回答问题。实现通过片段描述 Embedding 对视频内容进行高效语义检索，这一工作将以 MCP Server 的形式开源。选择具有适当参数的工具来从环境中逐步获取信息，在 LongVideoBench、用于从指定时间范围内的像素级信息中提取细粒度细节，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。

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，

(2) 片段搜索（Clip Search）工具，推理深度和准确性之间的关联，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 2：DeepVideoDiscovery 分为两个 stage，我们将原始的长视频转换为多粒度视频数据库，即通过自主规划，右：LVBench 上的性能比较。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。首先将长视频转化为多粒度的视频数据库，右：LVBench 上的性能比较。准确率进一步提高到 76.0%。

随后在 “智能体搜索和回答” 阶段，

• 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，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。有效地将原始查询分解为逐步细化的子查询来解答问题。不具有推理能力 GPT-4o 表现出非常单一的行为模型。

LLM 作为核心认知驱动器，