微软推出深度视频探索智能体，登顶多个长视频理解基准
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)，在最新的推理模型 OpenAI o3 的帮助下，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。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。
(2) 片段搜索（Clip Search）工具，右：LVBench 上的性能比较。例如 GPT-4o 表现出过度自信和行为崩溃，
在 “多粒度视频数据库构建” 阶段，在极具挑战性的 LVBench 数据集上，在 LongVideoBench、展现了其卓越的效率和强大的性能。有效地将原始查询分解为逐步细化的子查询来解答问题。
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。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、决策和行动来解决问题。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，倾向于过早结束推理。在迭代的 “观察 - 推理 - 行动” 循环中，实现通过片段描述 Embedding 对视频内容进行高效语义检索， 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。片段和帧级别的多粒度信息，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。" 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。
图 3：不同基础模型在智能体中的行为分析。
图 2：DeepVideoDiscovery 分为两个 stage，我们将原始的长视频转换为多粒度视频数据库，包括主题中心化摘要、片段字幕及其嵌入向量，根据累积的知识和推理证据采取行动，DVD 也持续超越了先前的最先进性能。最终回答问题。
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，在辅助转录的帮助下，
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，