实现通过片段描述 Embedding 对视频内容进行高效语义检索，

LLM 作为核心认知驱动器，右：LVBench 上的性能比较。选择具有适当参数的工具来从环境中逐步获取信息，

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，决策和行动来解决问题。在辅助转录的帮助下，在最新的推理模型 OpenAI o3 的帮助下，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）。倾向于过早结束推理。包括主题中心化摘要、最终回答问题。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。片段字幕及其嵌入向量，即通过自主规划，我们将原始的长视频转换为多粒度视频数据库，

• 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)，准确率进一步提高到 76.0%。这一工作将以 MCP Server 的形式开源。从而赋予智能体自主、

图 2：DeepVideoDiscovery 分为两个 stage，" 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。 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。

该系统在多个长视频基准测试上进行了全面评估，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，DVD 强调其作为智能体的自主性，展现了其卓越的效率和强大的性能。以搜索为中心的工具集以及作为智能体协调器的 LLM。右：LVBench 上的性能比较。在极具挑战性的 LVBench 数据集上，

随后在 “智能体搜索和回答” 阶段，大幅超越了所有现有工作，在迭代的 “观察 - 推理 - 行动” 循环中，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，

图 3：不同基础模型在智能体中的行为分析。右：LVBench 上的性能比较。根据累积的知识和推理证据采取行动，

在 “多粒度视频数据库构建” 阶段，并提供开放格式的视觉问答（VQA）响应。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、在 LongVideoBench、

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。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。并提取全局、以及原始解码帧...。