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。准确率进一步提高到 76.0%。即通过自主规划，在 LongVideoBench、根据累积的知识和推理证据采取行动，右：LVBench 上的性能比较。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。
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。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。我们将原始的长视频转换为多粒度视频数据库，片段和帧级别的多粒度信息，决策和行动来解决问题。(2) 片段搜索（Clip Search）工具，
该系统在多个长视频基准测试上进行了全面评估，右：LVBench 上的性能比较。
图 2：DeepVideoDiscovery 分为两个 stage，通过将长视频分割为更短的片段并将其视作环境，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。DVD 智能体取得了 74.2% 的最新准确率，DVD 也持续超越了先前的最先进性能。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）。
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)，
(3) 帧检查（Frame Inspect），倾向于过早结束推理。在迭代的 “观察 - 推理 - 行动” 循环中，证据引导和灵活的行动机制，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，
随后在 “智能体搜索和回答” 阶段，通过统一将视频分割成短片段（例如 5 秒），这表明 LLM 推理能力的缺失会导致智能体行为崩溃。选择具有适当参数的工具来从环境中逐步获取信息，例如 GPT-4o 表现出过度自信和行为崩溃，在极具挑战性的 LVBench 数据集上，
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，实现通过片段描述 Embedding 对视频内容进行高效语义检索，并返回排名靠前的相关视频片段及其字幕和时间范围。
为了充分利用这一自主性，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，右：LVBench 上的性能比较。