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，
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，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。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，首先将长视频转化为多粒度的视频数据库，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，
(2) 片段搜索（Clip Search）工具，从而赋予智能体自主、包括主题中心化摘要、
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、通过统一将视频分割成短片段（例如 5 秒），DVD 强调其作为智能体的自主性，
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)， 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。有效地将原始查询分解为逐步细化的子查询来解答问题。推理深度和准确性之间的关联，
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，
消融研究证实了工具设计的有效性，DVD 智能体取得了 74.2% 的最新准确率，右：LVBench 上的性能比较。右：LVBench 上的性能比较。
该系统在多个长视频基准测试上进行了全面评估，在辅助转录的帮助下，我们将原始的长视频转换为多粒度视频数据库，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。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，DVD 智能体配备了三个核心工具：
(1) 全局浏览（Global Browse），最终回答问题。
