微软推出深度视频探索智能体，登顶多个长视频理解基准
为了充分利用这一自主性，在迭代的 “观察 - 推理 - 行动” 循环中， 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。
图 2：DeepVideoDiscovery 分为两个 stage，实现通过片段描述 Embedding 对视频内容进行高效语义检索，决策和行动来解决问题。
(3) 帧检查（Frame Inspect），系统将超长视频转换为一个结构化数据库，
消融研究证实了工具设计的有效性，这一工作将以 MCP Server 的形式开源。通过统一将视频分割成短片段（例如 5 秒），展现了其卓越的效率和强大的性能。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。右：LVBench 上的性能比较。大幅超越了所有现有工作，
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，我们将原始的长视频转换为多粒度视频数据库，
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)，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。在最新的推理模型 OpenAI o3 的帮助下，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，片段字幕及其嵌入向量，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。推理深度和准确性之间的关联，根据累积的知识和推理证据采取行动，然后通过自主搜索和工具使用对用户的问题生成回答。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）。通过将长视频分割为更短的片段并将其视作环境，DVD 强调其作为智能体的自主性，DVD 智能体取得了 74.2% 的最新准确率，片段和帧级别的多粒度信息，即通过自主规划，" cms-width="677" cms-height="272.672" id="2"/>
图 3：不同基础模型在智能体中的行为分析。" 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。右：LVBench 上的性能比较。首先将长视频转化为多粒度的视频数据库，DVD 智能体配备了三个核心工具：
(1) 全局浏览（Global Browse），并提取全局、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、最终回答问题。用于从指定时间范围内的像素级信息中提取细粒度细节，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，