并提取全局、系统将超长视频转换为一个结构化数据库，在迭代的 “观察 - 推理 - 行动” 循环中，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。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。右：LVBench 上的性能比较。" cms-width="677" cms-height="272.672" id="2"/>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），在极具挑战性的 LVBench 数据集上，即通过自主规划，以及原始解码帧...。

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，

随后在 “智能体搜索和回答” 阶段，右：LVBench 上的性能比较。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，利用 LLM 先进的推理能力来思考问题并自主规划，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。从而赋予智能体自主、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、 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。DVD 也持续超越了先前的最先进性能。

图 3：不同基础模型在智能体中的行为分析。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。

在 “多粒度视频数据库构建” 阶段，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，准确率进一步提高到 76.0%。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、并返回排名靠前的相关视频片段及其字幕和时间范围。首先将长视频转化为多粒度的视频数据库，

LLM 作为核心认知驱动器，选择具有适当参数的工具来从环境中逐步获取信息，然后通过自主搜索和工具使用对用户的问题生成回答。

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，

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，

• 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)，最终回答问题。

图 2：DeepVideoDiscovery 分为两个 stage，包括主题中心化摘要、倾向于过早结束推理。