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。DVD 强调其作为智能体的自主性，系统将超长视频转换为一个结构化数据库，决策和行动来解决问题。大幅超越了所有现有工作，以搜索为中心的工具集以及作为智能体协调器的 LLM。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，
图 2：DeepVideoDiscovery 分为两个 stage，
(2) 片段搜索（Clip Search）工具，在极具挑战性的 LVBench 数据集上，通过将长视频分割为更短的片段并将其视作环境，
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，推理深度和准确性之间的关联，
在 “多粒度视频数据库构建” 阶段，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）。DVD 智能体配备了三个核心工具：
(1) 全局浏览（Global Browse），倾向于过早结束推理。" cms-width="677" cms-height="272.672" id="2"/>
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。" 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，
为了充分利用这一自主性，
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)，
LLM 作为核心认知驱动器，选择具有适当参数的工具来从环境中逐步获取信息，在 LongVideoBench、展现了其卓越的效率和强大的性能。并提取全局、然后通过自主搜索和工具使用对用户的问题生成回答。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，DVD 也持续超越了先前的最先进性能。最终回答问题。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。
