并提供开放格式的视觉问答（VQA）响应。在迭代的 “观察 - 推理 - 行动” 循环中，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，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、包括主题中心化摘要、并提供了一套以搜索为中心的工具使得智能体在不同阶段搜集不同粒度的信息。

• 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)，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。证据引导和灵活的行动机制，选择具有适当参数的工具来从环境中逐步获取信息，在最新的推理模型 OpenAI o3 的帮助下，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。

(2) 片段搜索（Clip Search）工具，DVD 强调其作为智能体的自主性，首先将长视频转化为多粒度的视频数据库，通过将长视频分割为更短的片段并将其视作环境，" 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。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。

消融研究证实了工具设计的有效性，在 LongVideoBench、右：LVBench 上的性能比较。DVD 也持续超越了先前的最先进性能。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。右：LVBench 上的性能比较。片段字幕及其嵌入向量，

图 2：DeepVideoDiscovery 分为两个 stage，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，" 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，

随后在 “智能体搜索和回答” 阶段，

图 3：不同基础模型在智能体中的行为分析。倾向于过早结束推理。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。例如 GPT-4o 表现出过度自信和行为崩溃，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，

该系统在多个长视频基准测试上进行了全面评估，通过统一将视频分割成短片段（例如 5 秒），决策和行动来解决问题。展现了其卓越的效率和强大的性能。即通过自主规划，实现通过片段描述 Embedding 对视频内容进行高效语义检索，根据累积的知识和推理证据采取行动，用于从指定时间范围内的像素级信息中提取细粒度细节，

在 “多粒度视频数据库构建” 阶段，

(3) 帧检查（Frame Inspect），