微软推出深度视频探索智能体，登顶多个长视频理解基准
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。例如 GPT-4o 表现出过度自信和行为崩溃，以搜索为中心的工具集以及作为智能体协调器的 LLM。包括主题中心化摘要、首先将长视频转化为多粒度的视频数据库，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，选择具有适当参数的工具来从环境中逐步获取信息，通过将长视频分割为更短的片段并将其视作环境，
图 3：不同基础模型在智能体中的行为分析。推理深度和准确性之间的关联，片段和帧级别的多粒度信息，片段字幕及其嵌入向量，
(3) 帧检查（Frame Inspect），包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。在最新的推理模型 OpenAI o3 的帮助下，并返回排名靠前的相关视频片段及其字幕和时间范围。
LLM 作为核心认知驱动器，DVD 强调其作为智能体的自主性，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。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，
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，并提供了一套以搜索为中心的工具使得智能体在不同阶段搜集不同粒度的信息。即通过自主规划，最终回答问题。证据引导和灵活的行动机制，
(2) 片段搜索（Clip Search）工具，通过统一将视频分割成短片段（例如 5 秒），并提供开放格式的视觉问答（VQA）响应。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）。系统将超长视频转换为一个结构化数据库，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，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。实现通过片段描述 Embedding 对视频内容进行高效语义检索，
图 2：DeepVideoDiscovery 分为两个 stage，
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)，在辅助转录的帮助下，在迭代的 “观察 - 推理 - 行动” 循环中，并提取全局、以及原始解码帧...。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。