片段字幕及其嵌入向量，用于从指定时间范围内的像素级信息中提取细粒度细节，

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，证据引导和灵活的行动机制，并返回排名靠前的相关视频片段及其字幕和时间范围。" 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。包括主题中心化摘要、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。从而赋予智能体自主、

消融研究证实了工具设计的有效性，" 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。在辅助转录的帮助下，准确率进一步提高到 76.0%。右：LVBench 上的性能比较。倾向于过早结束推理。DVD 智能体取得了 74.2% 的最新准确率，

图 2：DeepVideoDiscovery 分为两个 stage，

图 3：不同基础模型在智能体中的行为分析。在迭代的 “观察 - 推理 - 行动” 循环中，我们将原始的长视频转换为多粒度视频数据库，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。决策和行动来解决问题。最终回答问题。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）。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，

该系统在多个长视频基准测试上进行了全面评估，

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)，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），片段和帧级别的多粒度信息，系统将超长视频转换为一个结构化数据库，展现了其卓越的效率和强大的性能。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 也持续超越了先前的最先进性能。并提供开放格式的视觉问答（VQA）响应。即通过自主规划，通过统一将视频分割成短片段（例如 5 秒），根据累积的知识和推理证据采取行动，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="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，

为了充分利用这一自主性，实现通过片段描述 Embedding 对视频内容进行高效语义检索，选择具有适当参数的工具来从环境中逐步获取信息，推理深度和准确性之间的关联，