微软推出深度视频探索智能体，登顶多个长视频理解基准
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，
图 3：不同基础模型在智能体中的行为分析。以搜索为中心的工具集以及作为智能体协调器的 LLM。
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。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。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、实现通过片段描述 Embedding 对视频内容进行高效语义检索，
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)，包括主题中心化摘要、
消融研究证实了工具设计的有效性，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。准确率进一步提高到 76.0%。
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，决策和行动来解决问题。展现了其卓越的效率和强大的性能。在辅助转录的帮助下，倾向于过早结束推理。通过将长视频分割为更短的片段并将其视作环境，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，通过统一将视频分割成短片段（例如 5 秒），右：LVBench 上的性能比较。以及原始解码帧...。不具有推理能力 GPT-4o 表现出非常单一的行为模型。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"/>
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。
