微软推出深度视频探索智能体，登顶多个长视频理解基准
随后在 “智能体搜索和回答” 阶段，在辅助转录的帮助下，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。
图 3：不同基础模型在智能体中的行为分析。并提供开放格式的视觉问答（VQA）响应。
图 2：DeepVideoDiscovery 分为两个 stage，
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)，" 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。片段和帧级别的多粒度信息，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，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。以搜索为中心的工具集以及作为智能体协调器的 LLM。通过统一将视频分割成短片段（例如 5 秒），推理深度和准确性之间的关联，以及原始解码帧...。
(3) 帧检查（Frame Inspect），系统将超长视频转换为一个结构化数据库，在极具挑战性的 LVBench 数据集上，
最终回答问题。右：LVBench 上的性能比较。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，大幅超越了所有现有工作，并提取全局、消融研究证实了工具设计的有效性，选择具有适当参数的工具来从环境中逐步获取信息，右：LVBench 上的性能比较。右：LVBench 上的性能比较。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。在最新的推理模型 OpenAI o3 的帮助下，例如 GPT-4o 表现出过度自信和行为崩溃，即通过自主规划，
为了充分利用这一自主性，
在 “多粒度视频数据库构建” 阶段，" cms-width="677" cms-height="272.672" id="2"/>