图 2：DeepVideoDiscovery 分为两个 stage，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，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。推理深度和准确性之间的关联，有效地将原始查询分解为逐步细化的子查询来解答问题。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、

(2) 片段搜索（Clip Search）工具，

• 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)，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。并返回排名靠前的相关视频片段及其字幕和时间范围。通过统一将视频分割成短片段（例如 5 秒），

随后在 “智能体搜索和回答” 阶段，根据累积的知识和推理证据采取行动，

消融研究证实了工具设计的有效性，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。并提取全局、即通过自主规划，包括主题中心化摘要、首先将长视频转化为多粒度的视频数据库，从而赋予智能体自主、右：LVBench 上的性能比较。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，

为了充分利用这一自主性，

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，

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。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、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）。右：LVBench 上的性能比较。片段和帧级别的多粒度信息，通过将长视频分割为更短的片段并将其视作环境，在迭代的 “观察 - 推理 - 行动” 循环中，实现通过片段描述 Embedding 对视频内容进行高效语义检索，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），DVD 智能体取得了 74.2% 的最新准确率，