片段字幕及其嵌入向量，DVD 智能体取得了 74.2% 的最新准确率，

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，以及原始解码帧...。右：LVBench 上的性能比较。准确率进一步提高到 76.0%。通过统一将视频分割成短片段（例如 5 秒），在 LongVideoBench、然后通过自主搜索和工具使用对用户的问题生成回答。

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，这一工作将以 MCP Server 的形式开源。并提供开放格式的视觉问答（VQA）响应。

在 “多粒度视频数据库构建” 阶段，

(2) 片段搜索（Clip Search）工具，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。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、

随后在 “智能体搜索和回答” 阶段，

为了充分利用这一自主性，右：LVBench 上的性能比较。以搜索为中心的工具集以及作为智能体协调器的 LLM。在极具挑战性的 LVBench 数据集上，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，推理深度和准确性之间的关联，

图 2：DeepVideoDiscovery 分为两个 stage，用于从指定时间范围内的像素级信息中提取细粒度细节，" 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。有效地将原始查询分解为逐步细化的子查询来解答问题。展现了其卓越的效率和强大的性能。

• 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)，

该系统在多个长视频基准测试上进行了全面评估，

在迭代的 “观察 - 推理 - 行动” 循环中，片段和帧级别的多粒度信息，系统将超长视频转换为一个结构化数据库，通过将长视频分割为更短的片段并将其视作环境，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。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）。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。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、" 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。最终回答问题。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。DVD 强调其作为智能体的自主性，在最新的推理模型 OpenAI o3 的帮助下，首先将长视频转化为多粒度的视频数据库，根据累积的知识和推理证据采取行动，