" 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。" cms-width="677" cms-height="272.672" id="2"/>

图 2：DeepVideoDiscovery 分为两个 stage，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。通过将长视频分割为更短的片段并将其视作环境，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。

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，

利用 LLM 先进的推理能力来思考问题并自主规划，

• 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)，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）。

消融研究证实了工具设计的有效性，在辅助转录的帮助下，以及原始解码帧...。大幅超越了所有现有工作，片段和帧级别的多粒度信息，展现了其卓越的效率和强大的性能。用于从指定时间范围内的像素级信息中提取细粒度细节，在 LongVideoBench、右：LVBench 上的性能比较。从而赋予智能体自主、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，即通过自主规划，

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、

图 3：不同基础模型在智能体中的行为分析。在极具挑战性的 LVBench 数据集上，这一工作将以 MCP Server 的形式开源。

随后在 “智能体搜索和回答” 阶段，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。包括主题中心化摘要、

在 “多粒度视频数据库构建” 阶段，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，在最新的推理模型 OpenAI o3 的帮助下，