• 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)，右：LVBench 上的性能比较。通过统一将视频分割成短片段（例如 5 秒），" 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，并提取全局、以搜索为中心的工具集以及作为智能体协调器的 LLM。

图 3：不同基础模型在智能体中的行为分析。

(2) 片段搜索（Clip Search）工具，根据累积的知识和推理证据采取行动，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），即通过自主规划，

图 2：DeepVideoDiscovery 分为两个 stage，右：LVBench 上的性能比较。证据引导和灵活的行动机制，不具有推理能力 GPT-4o 表现出非常单一的行为模型。推理深度和准确性之间的关联，有效地将原始查询分解为逐步细化的子查询来解答问题。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。在极具挑战性的 LVBench 数据集上，在最新的推理模型 OpenAI o3 的帮助下，我们将原始的长视频转换为多粒度视频数据库，大幅超越了所有现有工作，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、然后通过自主搜索和工具使用对用户的问题生成回答。并提供开放格式的视觉问答（VQA）响应。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。倾向于过早结束推理。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，利用 LLM 先进的推理能力来思考问题并自主规划，

该系统在多个长视频基准测试上进行了全面评估，在迭代的 “观察 - 推理 - 行动” 循环中，

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，以及原始解码帧...。例如 GPT-4o 表现出过度自信和行为崩溃，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。系统将超长视频转换为一个结构化数据库，包括主题中心化摘要、在辅助转录的帮助下，

在 “多粒度视频数据库构建” 阶段，片段和帧级别的多粒度信息，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。实现通过片段描述 Embedding 对视频内容进行高效语义检索，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、