微软推出深度视频探索智能体，登顶多个长视频理解基准
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，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。右：LVBench 上的性能比较。并提取全局、我们将原始的长视频转换为多粒度视频数据库，准确率进一步提高到 76.0%。
(2) 片段搜索（Clip Search）工具，
(3) 帧检查（Frame Inspect），有效地将原始查询分解为逐步细化的子查询来解答问题。
该系统在多个长视频基准测试上进行了全面评估，
LLM 作为核心认知驱动器，
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，在极具挑战性的 LVBench 数据集上，首先将长视频转化为多粒度的视频数据库，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。选择具有适当参数的工具来从环境中逐步获取信息，展现了其卓越的效率和强大的性能。即通过自主规划，对智能体推理行为的分析也揭示了不同模型在工具调用模式、推理深度和准确性之间的关联，DVD 也持续超越了先前的最先进性能。 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。利用 LLM 先进的推理能力来思考问题并自主规划，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，在最新的推理模型 OpenAI o3 的帮助下，
图 3：不同基础模型在智能体中的行为分析。
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)，
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，DVD 强调其作为智能体的自主性，消融研究证实了工具设计的有效性，
随后在 “智能体搜索和回答” 阶段，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。证据引导和灵活的行动机制，
在 “多粒度视频数据库构建” 阶段，" 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。
图 2：DeepVideoDiscovery 分为两个 stage，通过统一将视频分割成短片段（例如 5 秒），" cms-width="677" cms-height="272.672" id="2"/>