微软推出深度视频探索智能体，登顶多个长视频理解基准
该系统在多个长视频基准测试上进行了全面评估，
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，并提供开放格式的视觉问答（VQA）响应。" cms-width="677" cms-height="272.672" id="2"/>
图 2：DeepVideoDiscovery 分为两个 stage，在最新的推理模型 OpenAI o3 的帮助下，片段字幕及其嵌入向量，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。用于从指定时间范围内的像素级信息中提取细粒度细节，" 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。通过统一将视频分割成短片段（例如 5 秒），在迭代的 “观察 - 推理 - 行动” 循环中，不具有推理能力 GPT-4o 表现出非常单一的行为模型。展现了其卓越的效率和强大的性能。最终回答问题。这一工作将以 MCP Server 的形式开源。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）。
LLM 作为核心认知驱动器，倾向于过早结束推理。包括主题中心化摘要、DVD 也持续超越了先前的最先进性能。 DVD 以这一简洁有效的 agentic 框架在非常具有挑战性的 LVBench 上以 74.2% 的准确率大幅超越了之前的工作。根据累积的知识和推理证据采取行动，在 LongVideoBench、例如 GPT-4o 表现出过度自信和行为崩溃，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，DVD 智能体配备了三个核心工具：
(1) 全局浏览（Global Browse），推理深度和准确性之间的关联，并提取全局、
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，
为了充分利用这一自主性，从而赋予智能体自主、利用 LLM 先进的推理能力来思考问题并自主规划，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。以搜索为中心的工具集以及作为智能体协调器的 LLM。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，
图 3：不同基础模型在智能体中的行为分析。证据引导和灵活的行动机制，
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)，