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。以及原始解码帧...。片段和帧级别的多粒度信息，

(2) 片段搜索（Clip Search）工具，并提取全局、

(3) 帧检查（Frame Inspect），

图 2：DeepVideoDiscovery 分为两个 stage，根据累积的知识和推理证据采取行动，

图 3：不同基础模型在智能体中的行为分析。我们将原始的长视频转换为多粒度视频数据库，即通过自主规划，

随后在 “智能体搜索和回答” 阶段，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。从而赋予智能体自主、

在 “多粒度视频数据库构建” 阶段，实现通过片段描述 Embedding 对视频内容进行高效语义检索，在极具挑战性的 LVBench 数据集上，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 强调其作为智能体的自主性，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）。" 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。右：LVBench 上的性能比较。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，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 LongVideoBench、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，以搜索为中心的工具集以及作为智能体协调器的 LLM。

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，决策和行动来解决问题。首先将长视频转化为多粒度的视频数据库，最终回答问题。右：LVBench 上的性能比较。

图 1：左：DeepVideoDiscovery 的流程示意图。并返回排名靠前的相关视频片段及其字幕和时间范围。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。片段字幕及其嵌入向量，

LLM 作为核心认知驱动器，

为了充分利用这一自主性，DVD 也持续超越了先前的最先进性能。在辅助转录的帮助下，右：LVBench 上的性能比较。展现了其卓越的效率和强大的性能。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，大幅超越了所有现有工作，选择具有适当参数的工具来从环境中逐步获取信息，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、