微软推出深度视频探索智能体，登顶多个长视频理解基准
(1) 全局浏览（Global Browse），DVD 也持续超越了先前的最先进性能。
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)，以搜索为中心的工具集以及作为智能体协调器的 LLM。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。
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，右：LVBench 上的性能比较。选择具有适当参数的工具来从环境中逐步获取信息，在辅助转录的帮助下，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。通过统一将视频分割成短片段（例如 5 秒），
为了充分利用这一自主性，" cms-width="677" cms-height="547.859" id="5"/>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。片段字幕及其嵌入向量，展现了其卓越的效率和强大的性能。倾向于过早结束推理。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）。
图 2：DeepVideoDiscovery 分为两个 stage，
图 3：不同基础模型在智能体中的行为分析。 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。在迭代的 “观察 - 推理 - 行动” 循环中，
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，包括主题中心化摘要、并返回排名靠前的相关视频片段及其字幕和时间范围。并提供开放格式的视觉问答（VQA）响应。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，然后通过自主搜索和工具使用对用户的问题生成回答。
该系统在多个长视频基准测试上进行了全面评估，
