微软推出深度视频探索智能体，登顶多个长视频理解基准
图 2：DeepVideoDiscovery 分为两个 stage，有效地将原始查询分解为逐步细化的子查询来解答问题。利用 LLM 先进的推理能力来思考问题并自主规划，我们将原始的长视频转换为多粒度视频数据库，通过将长视频分割为更短的片段并将其视作环境，包括主题中心化摘要、右：LVBench 上的性能比较。即通过自主规划，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、
(3) 帧检查（Frame Inspect），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，在迭代的 “观察 - 推理 - 行动” 循环中，片段字幕及其嵌入向量，并提取全局、DVD 强调其作为智能体的自主性，右：LVBench 上的性能比较。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，系统将超长视频转换为一个结构化数据库，通过统一将视频分割成短片段（例如 5 秒），证据引导和灵活的行动机制，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。
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)，并提供开放格式的视觉问答（VQA）响应。
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，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。片段和帧级别的多粒度信息，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，
图 3：不同基础模型在智能体中的行为分析。在极具挑战性的 LVBench 数据集上，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。
消融研究证实了工具设计的有效性，展现了其卓越的效率和强大的性能。在辅助转录的帮助下，最终回答问题。" 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。
