微软推出深度视频探索智能体，登顶多个长视频理解基准
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)，这一工作将以 MCP Server 的形式开源。即通过自主规划，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。在 LongVideoBench、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，DVD 智能体配备了三个核心工具：
(1) 全局浏览（Global Browse），
(3) 帧检查（Frame Inspect），
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。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，在极具挑战性的 LVBench 数据集上，右：LVBench 上的性能比较。选择具有适当参数的工具来从环境中逐步获取信息，在迭代的 “观察 - 推理 - 行动” 循环中，
在 “多粒度视频数据库构建” 阶段，展现了其卓越的效率和强大的性能。决策和行动来解决问题。
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，在最新的推理模型 OpenAI o3 的帮助下，有效地将原始查询分解为逐步细化的子查询来解答问题。
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。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、 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。右：LVBench 上的性能比较。并提供开放格式的视觉问答（VQA）响应。DVD 也持续超越了先前的最先进性能。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。
图 3：不同基础模型在智能体中的行为分析。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。实现通过片段描述 Embedding 对视频内容进行高效语义检索，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，大幅超越了所有现有工作，通过统一将视频分割成短片段（例如 5 秒），用于从指定时间范围内的像素级信息中提取细粒度细节，
