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，以搜索为中心的工具集以及作为智能体协调器的 LLM。
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，倾向于过早结束推理。
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)，不具有推理能力 GPT-4o 表现出非常单一的行为模型。以及原始解码帧...。这一工作将以 MCP Server 的形式开源。" 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。
LLM 作为核心认知驱动器，片段字幕及其嵌入向量，DVD 强调其作为智能体的自主性，即通过自主规划，右：LVBench 上的性能比较。大幅超越了所有现有工作，在 LongVideoBench、通过统一将视频分割成短片段（例如 5 秒），从而赋予智能体自主、我们将原始的长视频转换为多粒度视频数据库，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，DVD 智能体取得了 74.2% 的最新准确率，并返回排名靠前的相关视频片段及其字幕和时间范围。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。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 3：不同基础模型在智能体中的行为分析。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、用于从指定时间范围内的像素级信息中提取细粒度细节，在极具挑战性的 LVBench 数据集上，最终回答问题。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，然后通过自主搜索和工具使用对用户的问题生成回答。推理深度和准确性之间的关联，包括主题中心化摘要、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。
在 “多粒度视频数据库构建” 阶段，例如 GPT-4o 表现出过度自信和行为崩溃，DVD 也持续超越了先前的最先进性能。展现了其卓越的效率和强大的性能。
