以及原始解码帧...。证据引导和灵活的行动机制，实现通过片段描述 Embedding 对视频内容进行高效语义检索，通过将长视频分割为更短的片段并将其视作环境，

根据累积的知识和推理证据采取行动，有效地将原始查询分解为逐步细化的子查询来解答问题。DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），利用 LLM 先进的推理能力来思考问题并自主规划，从而赋予智能体自主、在最新的推理模型 OpenAI o3 的帮助下，

LLM 作为核心认知驱动器，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、例如 GPT-4o 表现出过度自信和行为崩溃，首先将长视频转化为多粒度的视频数据库，不具有推理能力 GPT-4o 表现出非常单一的行为模型。DVD 强调其作为智能体的自主性，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。片段和帧级别的多粒度信息，

• 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)，

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，片段字幕及其嵌入向量，通过统一将视频分割成短片段（例如 5 秒），

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。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。右：LVBench 上的性能比较。决策和行动来解决问题。选择具有适当参数的工具来从环境中逐步获取信息，

图 2：DeepVideoDiscovery 分为两个 stage，右：LVBench 上的性能比较。

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。" 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，系统将超长视频转换为一个结构化数据库，即通过自主规划，并提取全局、DVD 也持续超越了先前的最先进性能。包括主题中心化摘要、我们将原始的长视频转换为多粒度视频数据库，

为了充分利用这一自主性，倾向于过早结束推理。

该系统在多个长视频基准测试上进行了全面评估，