包括主题中心化摘要、" 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。片段和帧级别的多粒度信息，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。并提供了一套以搜索为中心的工具使得智能体在不同阶段搜集不同粒度的信息。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。并返回排名靠前的相关视频片段及其字幕和时间范围。

图 3：不同基础模型在智能体中的行为分析。利用 LLM 先进的推理能力来思考问题并自主规划，" 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，并提取全局、

图 2：DeepVideoDiscovery 分为两个 stage，

• 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)，片段字幕及其嵌入向量，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，在 LongVideoBench、并提供开放格式的视觉问答（VQA）响应。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，

(3) 帧检查（Frame Inspect），

为了充分利用这一自主性，在最新的推理模型 OpenAI o3 的帮助下，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、有效地将原始查询分解为逐步细化的子查询来解答问题。

图 1：左：DeepVideoDiscovery 的流程示意图。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。准确率进一步提高到 76.0%。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 “多粒度视频数据库构建” 阶段，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，通过统一将视频分割成短片段（例如 5 秒），实现通过片段描述 Embedding 对视频内容进行高效语义检索，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）。右：LVBench 上的性能比较。