决策和行动来解决问题。

在 “多粒度视频数据库构建” 阶段，

(3) 帧检查（Frame Inspect），

该系统在多个长视频基准测试上进行了全面评估，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。最终回答问题。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、片段和帧级别的多粒度信息，利用 LLM 先进的推理能力来思考问题并自主规划，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。并提取全局、" cms-width="677" cms-height="272.672" id="2"/>

• 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)，在辅助转录的帮助下，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。用于从指定时间范围内的像素级信息中提取细粒度细节，

图 3：不同基础模型在智能体中的行为分析。

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，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），

消融研究证实了工具设计的有效性，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。

(2) 片段搜索（Clip Search）工具，根据累积的知识和推理证据采取行动，

图 2：DeepVideoDiscovery 分为两个 stage，

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。右：LVBench 上的性能比较。