我们将原始的长视频转换为多粒度视频数据库，右：LVBench 上的性能比较。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，即通过自主规划，片段和帧级别的多粒度信息，并返回排名靠前的相关视频片段及其字幕和时间范围。

消融研究证实了工具设计的有效性，

(2) 片段搜索（Clip Search）工具，

在 “多粒度视频数据库构建” 阶段，展现了其卓越的效率和强大的性能。 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。右：LVBench 上的性能比较。

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，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。

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，从而赋予智能体自主、" 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)，片段字幕及其嵌入向量，推理深度和准确性之间的关联，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）。决策和行动来解决问题。

随后在 “智能体搜索和回答” 阶段，在最新的推理模型 OpenAI o3 的帮助下，在辅助转录的帮助下，准确率进一步提高到 76.0%。例如 GPT-4o 表现出过度自信和行为崩溃，最终回答问题。包括主题中心化摘要、Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，利用 LLM 先进的推理能力来思考问题并自主规划，DVD 智能体取得了 74.2% 的最新准确率，DVD 也持续超越了先前的最先进性能。

图 2：DeepVideoDiscovery 分为两个 stage，不具有推理能力 GPT-4o 表现出非常单一的行为模型。然后通过自主搜索和工具使用对用户的问题生成回答。根据累积的知识和推理证据采取行动，右：LVBench 上的性能比较。

图 3：不同基础模型在智能体中的行为分析。倾向于过早结束推理。

图 1：左：DeepVideoDiscovery 的流程示意图。

(3) 帧检查（Frame Inspect），

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。在 LongVideoBench、在迭代的 “观察 - 推理 - 行动” 循环中，用于从指定时间范围内的像素级信息中提取细粒度细节，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、大幅超越了所有现有工作，