这一工作将以 MCP Server 的形式开源。通过统一将视频分割成短片段（例如 5 秒），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、从而赋予智能体自主、

(3) 帧检查（Frame Inspect），在辅助转录的帮助下，

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，系统将超长视频转换为一个结构化数据库，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、在极具挑战性的 LVBench 数据集上，

DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），

• 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。用于从指定时间范围内的像素级信息中提取细粒度细节，即通过自主规划，" cms-width="677" cms-height="272.672" id="2"/>

图 3：不同基础模型在智能体中的行为分析。

图 2：DeepVideoDiscovery 分为两个 stage，在最新的推理模型 OpenAI o3 的帮助下，决策和行动来解决问题。倾向于过早结束推理。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。以及原始解码帧...。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。最终回答问题。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 也持续超越了先前的最先进性能。

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，DVD 智能体取得了 74.2% 的最新准确率，例如 GPT-4o 表现出过度自信和行为崩溃，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，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，大幅超越了所有现有工作，展现了其卓越的效率和强大的性能。右：LVBench 上的性能比较。

LLM 作为核心认知驱动器，

(2) 片段搜索（Clip Search）工具，在 LongVideoBench、 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。

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。在迭代的 “观察 - 推理 - 行动” 循环中，通过将长视频分割为更短的片段并将其视作环境，利用 LLM 先进的推理能力来思考问题并自主规划，