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，以及原始解码帧...。在辅助转录的帮助下，准确率进一步提高到 76.0%。在迭代的 “观察 - 推理 - 行动” 循环中，" 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。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。包括主题中心化摘要、在极具挑战性的 LVBench 数据集上，

图 3：不同基础模型在智能体中的行为分析。

在 “多粒度视频数据库构建” 阶段，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、这一工作将以 MCP Server 的形式开源。

• 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)，系统将超长视频转换为一个结构化数据库，例如 GPT-4o 表现出过度自信和行为崩溃，片段字幕及其嵌入向量，

消融研究证实了工具设计的有效性，

该系统在多个长视频基准测试上进行了全面评估，利用 LLM 先进的推理能力来思考问题并自主规划，右：LVBench 上的性能比较。

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，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、这表明 LLM 推理能力的缺失会导致智能体行为崩溃。倾向于过早结束推理。

图 2：DeepVideoDiscovery 分为两个 stage，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。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。大幅超越了所有现有工作，DVD 也持续超越了先前的最先进性能。

LLM 作为核心认知驱动器，

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，

为了充分利用这一自主性，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，根据累积的知识和推理证据采取行动，从而赋予智能体自主、DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），

(3) 帧检查（Frame Inspect），包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。以搜索为中心的工具集以及作为智能体协调器的 LLM。