微软推出深度视频探索智能体，登顶多个长视频理解基准
图 3：不同基础模型在智能体中的行为分析。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。
图 2：DeepVideoDiscovery 分为两个 stage，DVD 强调其作为智能体的自主性，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。展现了其卓越的效率和强大的性能。推理深度和准确性之间的关联，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。并提供开放格式的视觉问答（VQA）响应。系统将超长视频转换为一个结构化数据库，不具有推理能力 GPT-4o 表现出非常单一的行为模型。用于从指定时间范围内的像素级信息中提取细粒度细节，倾向于过早结束推理。以及原始解码帧...。
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)，从而赋予智能体自主、片段字幕及其嵌入向量，片段和帧级别的多粒度信息，
LLM 作为核心认知驱动器，
在 “多粒度视频数据库构建” 阶段，通过将长视频分割为更短的片段并将其视作环境，最终回答问题。有效地将原始查询分解为逐步细化的子查询来解答问题。首先将长视频转化为多粒度的视频数据库，
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，右：LVBench 上的性能比较。DVD 也持续超越了先前的最先进性能。
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。以搜索为中心的工具集以及作为智能体协调器的 LLM。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、这表明 LLM 推理能力的缺失会导致智能体行为崩溃。
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，即通过自主规划，实现通过片段描述 Embedding 对视频内容进行高效语义检索，