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，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。
图 2：DeepVideoDiscovery 分为两个 stage，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。准确率进一步提高到 76.0%。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，包括主题中心化摘要、用于从指定时间范围内的像素级信息中提取细粒度细节，
为了充分利用这一自主性，
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，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。首先将长视频转化为多粒度的视频数据库，通过统一将视频分割成短片段（例如 5 秒）， 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。
图 3：不同基础模型在智能体中的行为分析。
LLM 作为核心认知驱动器，DVD 强调其作为智能体的自主性，对智能体推理行为的分析也揭示了不同模型在工具调用模式、
(3) 帧检查（Frame Inspect），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，
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 智能体取得了 74.2% 的最新准确率，大幅超越了所有现有工作，并提供开放格式的视觉问答（VQA）响应。右：LVBench 上的性能比较。即通过自主规划，DVD 也持续超越了先前的最先进性能。决策和行动来解决问题。用于获取高层上下文信息和视频内容的全局摘要（包括视频物体和事件摘要）。从而赋予智能体自主、右：LVBench 上的性能比较。然后通过自主搜索和工具使用对用户的问题生成回答。" cms-width="677" cms-height="272.672" id="2"/>
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="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。
