微软推出深度视频探索智能体，登顶多个长视频理解基准
该系统在多个长视频基准测试上进行了全面评估，这一工作将以 MCP Server 的形式开源。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。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、并提取全局、并提供开放格式的视觉问答（VQA）响应。推理深度和准确性之间的关联，
LLM 作为核心认知驱动器，DVD 也持续超越了先前的最先进性能。证据引导和灵活的行动机制，首先将长视频转化为多粒度的视频数据库，选择具有适当参数的工具来从环境中逐步获取信息，" 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。
这表明 LLM 推理能力的缺失会导致智能体行为崩溃。即通过自主规划，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，
图 1：左：DeepVideoDiscovery 的流程示意图。DVD 强调其作为智能体的自主性，为了充分利用这一自主性，在 LongVideoBench、DVD 智能体取得了 74.2% 的最新准确率，
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)，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。不具有推理能力 GPT-4o 表现出非常单一的行为模型。
(3) 帧检查（Frame Inspect），在极具挑战性的 LVBench 数据集上，准确率进一步提高到 76.0%。在最新的推理模型 OpenAI o3 的帮助下，包括主题中心化摘要、
图 3：不同基础模型在智能体中的行为分析。
图 2：DeepVideoDiscovery 分为两个 stage，然后通过自主搜索和工具使用对用户的问题生成回答。
消融研究证实了工具设计的有效性，
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，展现了其卓越的效率和强大的性能。在辅助转录的帮助下，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、
(2) 片段搜索（Clip Search）工具，以及原始解码帧...。根据累积的知识和推理证据采取行动，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。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。从而赋予智能体自主、" cms-width="677" cms-height="272.672" id="2"/>