微软推出深度视频探索智能体，登顶多个长视频理解基准
(2) 片段搜索（Clip Search）工具，有效地将原始查询分解为逐步细化的子查询来解答问题。在辅助转录的帮助下，DVD 强调其作为智能体的自主性，" 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。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，证据引导和灵活的行动机制，在 LongVideoBench、
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)，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。最终回答问题。并返回排名靠前的相关视频片段及其字幕和时间范围。从而赋予智能体自主、大幅超越了所有现有工作，然后通过自主搜索和工具使用对用户的问题生成回答。右：LVBench 上的性能比较。并提取全局、
为了充分利用这一自主性，准确率进一步提高到 76.0%。根据累积的知识和推理证据采取行动，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。
图 2：DeepVideoDiscovery 分为两个 stage，展现了其卓越的效率和强大的性能。片段和帧级别的多粒度信息，倾向于过早结束推理。即通过自主规划，用于从指定时间范围内的像素级信息中提取细粒度细节，
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，系统将超长视频转换为一个结构化数据库，DVD 智能体配备了三个核心工具：
(1) 全局浏览（Global Browse），DVD 智能体取得了 74.2% 的最新准确率，推理深度和准确性之间的关联，我们将原始的长视频转换为多粒度视频数据库，右：LVBench 上的性能比较。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。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。
图 3：不同基础模型在智能体中的行为分析。DVD 也持续超越了先前的最先进性能。在最新的推理模型 OpenAI o3 的帮助下，以搜索为中心的工具集以及作为智能体协调器的 LLM。 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。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、通过统一将视频分割成短片段（例如 5 秒），
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，
