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，我们将原始的长视频转换为多粒度视频数据库，在极具挑战性的 LVBench 数据集上，
图 3：不同基础模型在智能体中的行为分析。选择具有适当参数的工具来从环境中逐步获取信息，" cms-width="677" cms-height="272.672" id="2"/>
图 1：左：DeepVideoDiscovery 的流程示意图。
为了充分利用这一自主性，
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，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。
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)，证据引导和灵活的行动机制，实现通过片段描述 Embedding 对视频内容进行高效语义检索，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。右：LVBench 上的性能比较。例如 GPT-4o 表现出过度自信和行为崩溃，这一工作将以 MCP Server 的形式开源。
(2) 片段搜索（Clip Search）工具，
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、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，用于获取高层上下文信息和视频内容的全局摘要（包括视频物体和事件摘要）。DVD 智能体配备了三个核心工具：(1) 全局浏览（Global Browse），并提取全局、最终回答问题。倾向于过早结束推理。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、不具有推理能力 GPT-4o 表现出非常单一的行为模型。通过将长视频分割为更短的片段并将其视作环境，
该系统在多个长视频基准测试上进行了全面评估，" 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。
