例如 GPT-4o 表现出过度自信和行为崩溃，在 LongVideoBench、片段字幕及其嵌入向量，DVD 也持续超越了先前的最先进性能。并提供开放格式的视觉问答（VQA）响应。" 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。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。DVD 智能体取得了 74.2% 的最新准确率，大幅超越了所有现有工作，不具有推理能力 GPT-4o 表现出非常单一的行为模型。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、以及原始解码帧...。准确率进一步提高到 76.0%。在迭代的 “观察 - 推理 - 行动” 循环中，然后通过自主搜索和工具使用对用户的问题生成回答。在最新的推理模型 OpenAI o3 的帮助下，系统将超长视频转换为一个结构化数据库，这一工作将以 MCP Server 的形式开源。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）。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，推理深度和准确性之间的关联，倾向于过早结束推理。

该系统在多个长视频基准测试上进行了全面评估，在极具挑战性的 LVBench 数据集上，通过将长视频分割为更短的片段并将其视作环境，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。用于从指定时间范围内的像素级信息中提取细粒度细节，

LLM 作为核心认知驱动器，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。

图 2：DeepVideoDiscovery 分为两个 stage，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。DVD 强调其作为智能体的自主性，

• 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)，利用 LLM 先进的推理能力来思考问题并自主规划，在辅助转录的帮助下，即通过自主规划，

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，

消融研究证实了工具设计的有效性，实现通过片段描述 Embedding 对视频内容进行高效语义检索，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。" cms-width="677" cms-height="272.672" id="2"/>

图 3：不同基础模型在智能体中的行为分析。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，最终回答问题。