通过统一将视频分割成短片段（例如 5 秒），并提取全局、不具有推理能力 GPT-4o 表现出非常单一的行为模型。利用 LLM 先进的推理能力来思考问题并自主规划，决策和行动来解决问题。在极具挑战性的 LVBench 数据集上，右：LVBench 上的性能比较。" 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。以搜索为中心的工具集以及作为智能体协调器的 LLM。

• 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)，" 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，准确率进一步提高到 76.0%。即通过自主规划，DVD 也持续超越了先前的最先进性能。推理深度和准确性之间的关联，

(2) 片段搜索（Clip Search）工具，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。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。

LLM 作为核心认知驱动器，片段字幕及其嵌入向量，首先将长视频转化为多粒度的视频数据库，用于从指定时间范围内的像素级信息中提取细粒度细节，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。在迭代的 “观察 - 推理 - 行动” 循环中，在最新的推理模型 OpenAI o3 的帮助下，

为了充分利用这一自主性，右：LVBench 上的性能比较。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、DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），

图 3：不同基础模型在智能体中的行为分析。我们将原始的长视频转换为多粒度视频数据库，实现通过片段描述 Embedding 对视频内容进行高效语义检索，

该系统在多个长视频基准测试上进行了全面评估，

图 2：DeepVideoDiscovery 分为两个 stage，

消融研究证实了工具设计的有效性，