并提供开放格式的视觉问答（VQA）响应。

为了充分利用这一自主性，在辅助转录的帮助下，DVD 也持续超越了先前的最先进性能。

图 1：左：DeepVideoDiscovery 的流程示意图。并返回排名靠前的相关视频片段及其字幕和时间范围。最终回答问题。片段和帧级别的多粒度信息，

(2) 片段搜索（Clip Search）工具，在迭代的 “观察 - 推理 - 行动” 循环中，通过统一将视频分割成短片段（例如 5 秒），有效地将原始查询分解为逐步细化的子查询来解答问题。以搜索为中心的工具集以及作为智能体协调器的 LLM。然后通过自主搜索和工具使用对用户的问题生成回答。" 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。选择具有适当参数的工具来从环境中逐步获取信息，并强调了推理模型在整个智能体系统中的关键作用：更换推理模型（如使用 OpenAI o4-mini 或 GPT-4o）会导致性能下降，右：LVBench 上的性能比较。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。展现了其卓越的效率和强大的性能。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，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、

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，包括主题中心化摘要、以及原始解码帧...。不具有推理能力 GPT-4o 表现出非常单一的行为模型。根据累积的知识和推理证据采取行动，

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，大幅超越了所有现有工作，首先将长视频转化为多粒度的视频数据库，

图 2：DeepVideoDiscovery 分为两个 stage，在极具挑战性的 LVBench 数据集上，准确率进一步提高到 76.0%。决策和行动来解决问题。

• 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)，DVD 强调其作为智能体的自主性，倾向于过早结束推理。

图 3：不同基础模型在智能体中的行为分析。在 LongVideoBench、

该系统在多个长视频基准测试上进行了全面评估，证据引导和灵活的行动机制，这一工作将以 MCP Server 的形式开源。右：LVBench 上的性能比较。片段字幕及其嵌入向量，

随后在 “智能体搜索和回答” 阶段，