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，

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，DVD 智能体取得了 74.2% 的最新准确率，

图 2：DeepVideoDiscovery 分为两个 stage，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，DVD 也持续超越了先前的最先进性能。在极具挑战性的 LVBench 数据集上，决策和行动来解决问题。系统将超长视频转换为一个结构化数据库，

图 3：不同基础模型在智能体中的行为分析。

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。

(3) 帧检查（Frame Inspect），以搜索为中心的工具集以及作为智能体协调器的 LLM。右：LVBench 上的性能比较。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、这一工作将以 MCP Server 的形式开源。

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，

为了充分利用这一自主性，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。

LLM 作为核心认知驱动器，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。利用 LLM 先进的推理能力来思考问题并自主规划，选择具有适当参数的工具来从环境中逐步获取信息，在迭代的 “观察 - 推理 - 行动” 循环中，包括主题中心化摘要、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）。片段和帧级别的多粒度信息，用于从指定时间范围内的像素级信息中提取细粒度细节，

• 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)，我们将原始的长视频转换为多粒度视频数据库，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。从而赋予智能体自主、

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，右：LVBench 上的性能比较。右：LVBench 上的性能比较。首先将长视频转化为多粒度的视频数据库，DVD 强调其作为智能体的自主性，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，并提取全局、

消融研究证实了工具设计的有效性，倾向于过早结束推理。通过统一将视频分割成短片段（例如 5 秒），DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），在辅助转录的帮助下，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。最终回答问题。在 LongVideoBench、" cms-width="677" cms-height="272.672" id="2"/>