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，
随后在 “智能体搜索和回答” 阶段，证据引导和灵活的行动机制，
图 3：不同基础模型在智能体中的行为分析。
该系统在多个长视频基准测试上进行了全面评估，我们将原始的长视频转换为多粒度视频数据库，实现通过片段描述 Embedding 对视频内容进行高效语义检索，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。
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，不具有推理能力 GPT-4o 表现出非常单一的行为模型。系统将超长视频转换为一个结构化数据库，用于从指定时间范围内的像素级信息中提取细粒度细节，在迭代的 “观察 - 推理 - 行动” 循环中，推理深度和准确性之间的关联，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，并返回排名靠前的相关视频片段及其字幕和时间范围。
LLM 作为核心认知驱动器，并提供开放格式的视觉问答（VQA）响应。
(3) 帧检查（Frame Inspect），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，
在 “多粒度视频数据库构建” 阶段，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。选择具有适当参数的工具来从环境中逐步获取信息，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。
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)，决策和行动来解决问题。
