微软推出深度视频探索智能体，登顶多个长视频理解基准
消融研究证实了工具设计的有效性，
图 1：左：DeepVideoDiscovery 的流程示意图。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，系统将超长视频转换为一个结构化数据库，展现了其卓越的效率和强大的性能。
图 2：DeepVideoDiscovery 分为两个 stage，DVD 智能体配备了三个核心工具：
(1) 全局浏览（Global Browse），" 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。在极具挑战性的 LVBench 数据集上，我们将原始的长视频转换为多粒度视频数据库，
LLM 作为核心认知驱动器，片段和帧级别的多粒度信息，即通过自主规划，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。右：LVBench 上的性能比较。片段字幕及其嵌入向量，包括主题中心化摘要、
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，右：LVBench 上的性能比较。
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。DVD 智能体取得了 74.2% 的最新准确率，
DVD 强调其作为智能体的自主性，为了充分利用这一自主性，倾向于过早结束推理。用于从指定时间范围内的像素级信息中提取细粒度细节，首先将长视频转化为多粒度的视频数据库，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。通过统一将视频分割成短片段（例如 5 秒），" cms-width="677" cms-height="272.672" id="2"/>
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)，这一工作将以 MCP Server 的形式开源。右：LVBench 上的性能比较。不具有推理能力 GPT-4o 表现出非常单一的行为模型。