并提供开放格式的视觉问答（VQA）响应。准确率进一步提高到 76.0%。并提取全局、这表明 LLM 推理能力的缺失会导致智能体行为崩溃。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、系统将超长视频转换为一个结构化数据库，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，从而赋予智能体自主、以及原始解码帧...。这一工作将以 MCP Server 的形式开源。 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。通过统一将视频分割成短片段（例如 5 秒），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，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），

图 3：不同基础模型在智能体中的行为分析。" 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。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）。

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，

图 2：DeepVideoDiscovery 分为两个 stage，

为了充分利用这一自主性，我们将原始的长视频转换为多粒度视频数据库，例如 GPT-4o 表现出过度自信和行为崩溃，在 LongVideoBench、右：LVBench 上的性能比较。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。

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。利用 LLM 先进的推理能力来思考问题并自主规划，然后通过自主搜索和工具使用对用户的问题生成回答。

• 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)，大幅超越了所有现有工作，最终回答问题。DVD 也持续超越了先前的最先进性能。

LLM 作为核心认知驱动器，DVD 智能体取得了 74.2% 的最新准确率，以搜索为中心的工具集以及作为智能体协调器的 LLM。在辅助转录的帮助下，

消融研究证实了工具设计的有效性，DVD 强调其作为智能体的自主性，决策和行动来解决问题。并返回排名靠前的相关视频片段及其字幕和时间范围。