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。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）。以搜索为中心的工具集以及作为智能体协调器的 LLM。

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，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。在辅助转录的帮助下，然后通过自主搜索和工具使用对用户的问题生成回答。准确率进一步提高到 76.0%。这一工作将以 MCP Server 的形式开源。推理深度和准确性之间的关联，片段字幕及其嵌入向量，系统将超长视频转换为一个结构化数据库，" cms-width="677" cms-height="272.672" id="2"/>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。倾向于过早结束推理。最终回答问题。

LLM 作为核心认知驱动器，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，即通过自主规划，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，利用 LLM 先进的推理能力来思考问题并自主规划，包括主题中心化摘要、

• 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，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...。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、DVD 强调其作为智能体的自主性，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，例如 GPT-4o 表现出过度自信和行为崩溃，

(3) 帧检查（Frame Inspect），

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，

图 2：DeepVideoDiscovery 分为两个 stage，右：LVBench 上的性能比较。

图 3：不同基础模型在智能体中的行为分析。