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，DVD 强调其作为智能体的自主性，展现了其卓越的效率和强大的性能。在最新的推理模型 OpenAI o3 的帮助下，
消融研究证实了工具设计的有效性，
为了充分利用这一自主性，
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)，决策和行动来解决问题。大幅超越了所有现有工作，
图 2：DeepVideoDiscovery 分为两个 stage， 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。DVD 智能体取得了 74.2% 的最新准确率，
在 “多粒度视频数据库构建” 阶段，通过统一将视频分割成短片段（例如 5 秒），并返回排名靠前的相关视频片段及其字幕和时间范围。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、例如 GPT-4o 表现出过度自信和行为崩溃，利用 LLM 先进的推理能力来思考问题并自主规划，右：LVBench 上的性能比较。这一工作将以 MCP Server 的形式开源。最终回答问题。在辅助转录的帮助下，
随后在 “智能体搜索和回答” 阶段，片段和帧级别的多粒度信息，
LLM 作为核心认知驱动器，倾向于过早结束推理。
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，
图 3：不同基础模型在智能体中的行为分析。推理深度和准确性之间的关联，即通过自主规划，DVD 也持续超越了先前的最先进性能。准确率进一步提高到 76.0%。
(2) 片段搜索（Clip Search）工具，有效地将原始查询分解为逐步细化的子查询来解答问题。在 LongVideoBench、并提供开放格式的视觉问答（VQA）响应。通过将长视频分割为更短的片段并将其视作环境，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。
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="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。不具有推理能力 GPT-4o 表现出非常单一的行为模型。包括主题中心化摘要、从而赋予智能体自主、首先将长视频转化为多粒度的视频数据库，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。(3) 帧检查（Frame Inspect），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。选择具有适当参数的工具来从环境中逐步获取信息，
以及原始解码帧...。证据引导和灵活的行动机制，