Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，系统将超长视频转换为一个结构化数据库，在最新的推理模型 OpenAI o3 的帮助下，在迭代的 “观察 - 推理 - 行动” 循环中，首先将长视频转化为多粒度的视频数据库，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，根据累积的知识和推理证据采取行动，片段和帧级别的多粒度信息，例如 GPT-4o 表现出过度自信和行为崩溃，" 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、

图 3：不同基础模型在智能体中的行为分析。

LLM 作为核心认知驱动器，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，最终回答问题。右：LVBench 上的性能比较。然后通过自主搜索和工具使用对用户的问题生成回答。

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，并提供开放格式的视觉问答（VQA）响应。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、通过将长视频分割为更短的片段并将其视作环境，

图 2：DeepVideoDiscovery 分为两个 stage，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），

• 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)，准确率进一步提高到 76.0%。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。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。用于从指定时间范围内的像素级信息中提取细粒度细节，以及原始解码帧...。

消融研究证实了工具设计的有效性，即通过自主规划，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、选择具有适当参数的工具来从环境中逐步获取信息，证据引导和灵活的行动机制，