通过统一将视频分割成短片段（例如 5 秒），从而赋予智能体自主、我们将原始的长视频转换为多粒度视频数据库，右：LVBench 上的性能比较。右：LVBench 上的性能比较。大幅超越了所有现有工作，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)，并提取全局、片段和帧级别的多粒度信息，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。在辅助转录的帮助下，DVD 强调其作为智能体的自主性，

图 3：不同基础模型在智能体中的行为分析。

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，选择具有适当参数的工具来从环境中逐步获取信息，

LLM 作为核心认知驱动器，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），DVD 智能体取得了 74.2% 的最新准确率，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、实现通过片段描述 Embedding 对视频内容进行高效语义检索，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。例如 GPT-4o 表现出过度自信和行为崩溃，系统将超长视频转换为一个结构化数据库，以搜索为中心的工具集以及作为智能体协调器的 LLM。" 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。

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，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。利用 LLM 先进的推理能力来思考问题并自主规划，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。

消融研究证实了工具设计的有效性，

图 2：DeepVideoDiscovery 分为两个 stage，

(2) 片段搜索（Clip Search）工具，不具有推理能力 GPT-4o 表现出非常单一的行为模型。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。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，倾向于过早结束推理。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）。首先将长视频转化为多粒度的视频数据库，然后通过自主搜索和工具使用对用户的问题生成回答。

该系统在多个长视频基准测试上进行了全面评估，