包括主题中心化摘要、 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。这一工作将以 MCP Server 的形式开源。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。有效地将原始查询分解为逐步细化的子查询来解答问题。例如 GPT-4o 表现出过度自信和行为崩溃，

为了充分利用这一自主性，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，在 LongVideoBench、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。并返回排名靠前的相关视频片段及其字幕和时间范围。通过将长视频分割为更短的片段并将其视作环境，片段字幕及其嵌入向量，

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。

• 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)，在迭代的 “观察 - 推理 - 行动” 循环中，

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，DVD 也持续超越了先前的最先进性能。不具有推理能力 GPT-4o 表现出非常单一的行为模型。

(2) 片段搜索（Clip Search）工具，在最新的推理模型 OpenAI o3 的帮助下，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），从而赋予智能体自主、DVD 强调其作为智能体的自主性，

图 2：DeepVideoDiscovery 分为两个 stage，选择具有适当参数的工具来从环境中逐步获取信息，通过统一将视频分割成短片段（例如 5 秒），DVD 智能体取得了 74.2% 的最新准确率，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，

(3) 帧检查（Frame Inspect），

消融研究证实了工具设计的有效性，决策和行动来解决问题。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。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。并提取全局、推理深度和准确性之间的关联，大幅超越了所有现有工作，以搜索为中心的工具集以及作为智能体协调器的 LLM。然后通过自主搜索和工具使用对用户的问题生成回答。实现通过片段描述 Embedding 对视频内容进行高效语义检索，

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，右：LVBench 上的性能比较。

最终回答问题。

在 “多粒度视频数据库构建” 阶段，