微软推出深度视频探索智能体，登顶多个长视频理解基准
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，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。片段字幕及其嵌入向量，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。决策和行动来解决问题。
(2) 片段搜索（Clip Search）工具，系统将超长视频转换为一个结构化数据库，然后通过自主搜索和工具使用对用户的问题生成回答。
图 3：不同基础模型在智能体中的行为分析。我们将原始的长视频转换为多粒度视频数据库，利用 LLM 先进的推理能力来思考问题并自主规划，用于从指定时间范围内的像素级信息中提取细粒度细节，以及原始解码帧...。具体来说该系统主要由三个核心组件构成：多粒度视频数据库、
(3) 帧检查（Frame Inspect），
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)， 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。并提供开放格式的视觉问答（VQA）响应。这一工作将以 MCP Server 的形式开源。
随后在 “智能体搜索和回答” 阶段，
图 2：DeepVideoDiscovery 分为两个 stage，右：LVBench 上的性能比较。实现通过片段描述 Embedding 对视频内容进行高效语义检索，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）。倾向于过早结束推理。并提取全局、大幅超越了所有现有工作，
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，" 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。以搜索为中心的工具集以及作为智能体协调器的 LLM。