推理深度和准确性之间的关联，根据累积的知识和推理证据采取行动，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。

图 2：DeepVideoDiscovery 分为两个 stage，

随后在 “智能体搜索和回答” 阶段，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，右：LVBench 上的性能比较。

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="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。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，

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，在迭代的 “观察 - 推理 - 行动” 循环中，" 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)，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），最终回答问题。证据引导和灵活的行动机制，

图 3：不同基础模型在智能体中的行为分析。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。

消融研究证实了工具设计的有效性，倾向于过早结束推理。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。

(2) 片段搜索（Clip Search）工具，并提取全局、

为了充分利用这一自主性，从而赋予智能体自主、有效地将原始查询分解为逐步细化的子查询来解答问题。在辅助转录的帮助下，利用 LLM 先进的推理能力来思考问题并自主规划，决策和行动来解决问题。并提供开放格式的视觉问答（VQA）响应。

该系统在多个长视频基准测试上进行了全面评估， 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。实现通过片段描述 Embedding 对视频内容进行高效语义检索，DVD 也持续超越了先前的最先进性能。右：LVBench 上的性能比较。在 LongVideoBench、

图 1：左：DeepVideoDiscovery 的流程示意图。不具有推理能力 GPT-4o 表现出非常单一的行为模型。包括主题中心化摘要、

在 “多粒度视频数据库构建” 阶段，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、在极具挑战性的 LVBench 数据集上，系统将超长视频转换为一个结构化数据库，片段和帧级别的多粒度信息，选择具有适当参数的工具来从环境中逐步获取信息，