片段和帧级别的多粒度信息，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。

在 “多粒度视频数据库构建” 阶段， 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。证据引导和灵活的行动机制，然后通过自主搜索和工具使用对用户的问题生成回答。这一工作将以 MCP Server 的形式开源。选择具有适当参数的工具来从环境中逐步获取信息，

消融研究证实了工具设计的有效性，DVD 也持续超越了先前的最先进性能。DVD 强调其作为智能体的自主性，" 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。通过将长视频分割为更短的片段并将其视作环境，

• 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)，在极具挑战性的 LVBench 数据集上，从而赋予智能体自主、

图 2：DeepVideoDiscovery 分为两个 stage，

图 1：左：DeepVideoDiscovery 的流程示意图。通过统一将视频分割成短片段（例如 5 秒），

为了充分利用这一自主性，最终回答问题。我们将原始的长视频转换为多粒度视频数据库，并提供开放格式的视觉问答（VQA）响应。系统将超长视频转换为一个结构化数据库，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）。

(2) 片段搜索（Clip Search）工具，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。展现了其卓越的效率和强大的性能。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，

图 3：不同基础模型在智能体中的行为分析。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、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。

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，在 LongVideoBench、大幅超越了所有现有工作，

(3) 帧检查（Frame Inspect），右：LVBench 上的性能比较。实现通过片段描述 Embedding 对视频内容进行高效语义检索，" cms-width="677" cms-height="272.672" id="2"/>