• 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)，在 LongVideoBench、

图 3：不同基础模型在智能体中的行为分析。以搜索为中心的工具集以及作为智能体协调器的 LLM。

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，DVD 智能体取得了 74.2% 的最新准确率，准确率进一步提高到 76.0%。

LLM 作为核心认知驱动器，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、推理深度和准确性之间的关联，" 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。

消融研究证实了工具设计的有效性，

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，根据累积的知识和推理证据采取行动，

图 2：DeepVideoDiscovery 分为两个 stage，这一工作将以 MCP Server 的形式开源。DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），在最新的推理模型 OpenAI o3 的帮助下，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，

(3) 帧检查（Frame Inspect），" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。用于从指定时间范围内的像素级信息中提取细粒度细节，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，不具有推理能力 GPT-4o 表现出非常单一的行为模型。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。

为了充分利用这一自主性，选择具有适当参数的工具来从环境中逐步获取信息，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）。 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。

在 “多粒度视频数据库构建” 阶段，DVD 强调其作为智能体的自主性，片段和帧级别的多粒度信息，片段字幕及其嵌入向量，并提取全局、在辅助转录的帮助下，