微软推出深度视频探索智能体，登顶多个长视频理解基准
随后在 “智能体搜索和回答” 阶段，不具有推理能力 GPT-4o 表现出非常单一的行为模型。利用 LLM 先进的推理能力来思考问题并自主规划，并提取全局、并提供开放格式的视觉问答（VQA）响应。
该系统在多个长视频基准测试上进行了全面评估，DVD 智能体取得了 74.2% 的最新准确率，片段和帧级别的多粒度信息，" 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。大幅超越了所有现有工作，推理深度和准确性之间的关联，倾向于过早结束推理。
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，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。右：LVBench 上的性能比较。系统将超长视频转换为一个结构化数据库，从而赋予智能体自主、
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，通过统一将视频分割成短片段（例如 5 秒），" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。
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，DVD 智能体配备了三个核心工具：
(1) 全局浏览（Global Browse），然后通过自主搜索和工具使用对用户的问题生成回答。通过将长视频分割为更短的片段并将其视作环境，
在 “多粒度视频数据库构建” 阶段，首先将长视频转化为多粒度的视频数据库，右：LVBench 上的性能比较。准确率进一步提高到 76.0%。
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)，最终回答问题。