LLM 作为核心认知驱动器，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）。大幅超越了所有现有工作，

随后在 “智能体搜索和回答” 阶段，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。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、我们将原始的长视频转换为多粒度视频数据库，在辅助转录的帮助下，在最新的推理模型 OpenAI o3 的帮助下，

图 3：不同基础模型在智能体中的行为分析。

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，

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。系统将超长视频转换为一个结构化数据库，最终回答问题。DVD 智能体取得了 74.2% 的最新准确率，

消融研究证实了工具设计的有效性，选择具有适当参数的工具来从环境中逐步获取信息，右：LVBench 上的性能比较。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、

图 2：DeepVideoDiscovery 分为两个 stage，例如 GPT-4o 表现出过度自信和行为崩溃，以及原始解码帧...。通过统一将视频分割成短片段（例如 5 秒），片段和帧级别的多粒度信息，准确率进一步提高到 76.0%。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。

• 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)，根据累积的知识和推理证据采取行动，倾向于过早结束推理。

在 “多粒度视频数据库构建” 阶段，展现了其卓越的效率和强大的性能。

(2) 片段搜索（Clip Search）工具，包括主题中心化摘要、包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），证据引导和灵活的行动机制，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。在迭代的 “观察 - 推理 - 行动” 循环中，

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，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。利用 LLM 先进的推理能力来思考问题并自主规划，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，通过将长视频分割为更短的片段并将其视作环境，DVD 强调其作为智能体的自主性，有效地将原始查询分解为逐步细化的子查询来解答问题。" cms-width="677" cms-height="272.672" id="2"/>