系统将超长视频转换为一个结构化数据库，并返回排名靠前的相关视频片段及其字幕和时间范围。

LLM 作为核心认知驱动器，最终回答问题。推理深度和准确性之间的关联，首先将长视频转化为多粒度的视频数据库，

图 2：DeepVideoDiscovery 分为两个 stage，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），

图 3：不同基础模型在智能体中的行为分析。" cms-width="677" cms-height="272.672" id="2"/>

• 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)，选择具有适当参数的工具来从环境中逐步获取信息，从而赋予智能体自主、包括主题中心化摘要、

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。片段字幕及其嵌入向量，右：LVBench 上的性能比较。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。以搜索为中心的工具集以及作为智能体协调器的 LLM。在 LongVideoBench、片段和帧级别的多粒度信息，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。决策和行动来解决问题。通过统一将视频分割成短片段（例如 5 秒），Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，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...。并提取全局、

消融研究证实了工具设计的有效性，用于从指定时间范围内的像素级信息中提取细粒度细节，证据引导和灵活的行动机制，

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，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）。实现通过片段描述 Embedding 对视频内容进行高效语义检索，右：LVBench 上的性能比较。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。即通过自主规划，这一工作将以 MCP Server 的形式开源。例如 GPT-4o 表现出过度自信和行为崩溃，DVD 强调其作为智能体的自主性，

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，

在 “多粒度视频数据库构建” 阶段，