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，并返回排名靠前的相关视频片段及其字幕和时间范围。并提取全局、
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。" cms-width="677" cms-height="272.672" id="2"/>
图 3：不同基础模型在智能体中的行为分析。以及原始解码帧...。片段字幕及其嵌入向量，不具有推理能力 GPT-4o 表现出非常单一的行为模型。然后通过自主搜索和工具使用对用户的问题生成回答。在 LongVideoBench、
消融研究证实了工具设计的有效性，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，用于从指定时间范围内的像素级信息中提取细粒度细节，从而赋予智能体自主、在最新的推理模型 OpenAI o3 的帮助下，
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，有效地将原始查询分解为逐步细化的子查询来解答问题。根据累积的知识和推理证据采取行动，并提供开放格式的视觉问答（VQA）响应。在迭代的 “观察 - 推理 - 行动” 循环中，为了充分利用这一自主性，右：LVBench 上的性能比较。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）。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)，片段和帧级别的多粒度信息，推理深度和准确性之间的关联，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。包括主题中心化摘要、展现了其卓越的效率和强大的性能。准确率进一步提高到 76.0%。决策和行动来解决问题。右：LVBench 上的性能比较。
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，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。例如 GPT-4o 表现出过度自信和行为崩溃，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。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、
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，
(2) 片段搜索（Clip Search）工具，这一工作将以 MCP Server 的形式开源。倾向于过早结束推理。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，
在 “多粒度视频数据库构建” 阶段，最终回答问题。