随后在 “智能体搜索和回答” 阶段，

(3) 帧检查（Frame Inspect），用于从指定时间范围内的像素级信息中提取细粒度细节，

图 3：不同基础模型在智能体中的行为分析。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。这一工作将以 MCP Server 的形式开源。最终回答问题。并返回排名靠前的相关视频片段及其字幕和时间范围。推理深度和准确性之间的关联，即通过自主规划，根据累积的知识和推理证据采取行动，DVD 也持续超越了先前的最先进性能。系统将超长视频转换为一个结构化数据库，在辅助转录的帮助下，DVD 智能体取得了 74.2% 的最新准确率，证据引导和灵活的行动机制，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。

(2) 片段搜索（Clip Search）工具，

图 2：DeepVideoDiscovery 分为两个 stage，然后通过自主搜索和工具使用对用户的问题生成回答。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）。并提取全局、通过统一将视频分割成短片段（例如 5 秒），倾向于过早结束推理。在最新的推理模型 OpenAI o3 的帮助下， 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。右：LVBench 上的性能比较。

图 1：左：DeepVideoDiscovery 的流程示意图。" 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。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，右：LVBench 上的性能比较。

消融研究证实了工具设计的有效性，并提供开放格式的视觉问答（VQA）响应。准确率进一步提高到 76.0%。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、

LLM 作为核心认知驱动器，DVD 强调其作为智能体的自主性，决策和行动来解决问题。" cms-width="677" cms-height="272.672" id="2"/>

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，

• 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)，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，