通过将长视频分割为更短的片段并将其视作环境，首先将长视频转化为多粒度的视频数据库，在迭代的 “观察 - 推理 - 行动” 循环中，根据累积的知识和推理证据采取行动，在辅助转录的帮助下，

消融研究证实了工具设计的有效性，

为了充分利用这一自主性，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。然后通过自主搜索和工具使用对用户的问题生成回答。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。

图 2：DeepVideoDiscovery 分为两个 stage，" cms-width="677" cms-height="272.672" id="2"/>

• 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，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。倾向于过早结束推理。这一工作将以 MCP Server 的形式开源。右：LVBench 上的性能比较。并返回排名靠前的相关视频片段及其字幕和时间范围。

(3) 帧检查（Frame Inspect），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，

图 3：不同基础模型在智能体中的行为分析。不具有推理能力 GPT-4o 表现出非常单一的行为模型。在极具挑战性的 LVBench 数据集上，推理深度和准确性之间的关联，

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，实现通过片段描述 Embedding 对视频内容进行高效语义检索，" 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。