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，片段字幕及其嵌入向量，根据累积的知识和推理证据采取行动，展现了其卓越的效率和强大的性能。并提取全局、片段和帧级别的多粒度信息，

为了充分利用这一自主性，DVD 也持续超越了先前的最先进性能。" 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、

• 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)，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），实现通过片段描述 Embedding 对视频内容进行高效语义检索，" cms-width="677" cms-height="272.672" id="2"/>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。准确率进一步提高到 76.0%。

随后在 “智能体搜索和回答” 阶段，倾向于过早结束推理。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，以搜索为中心的工具集以及作为智能体协调器的 LLM。然后通过自主搜索和工具使用对用户的问题生成回答。DVD 强调其作为智能体的自主性，

该系统在多个长视频基准测试上进行了全面评估，

(3) 帧检查（Frame Inspect），首先将长视频转化为多粒度的视频数据库，在辅助转录的帮助下，

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，

消融研究证实了工具设计的有效性，有效地将原始查询分解为逐步细化的子查询来解答问题。即通过自主规划，决策和行动来解决问题。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。通过统一将视频分割成短片段（例如 5 秒），在最新的推理模型 OpenAI o3 的帮助下，

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，以及原始解码帧...。通过将长视频分割为更短的片段并将其视作环境，

图 2：DeepVideoDiscovery 分为两个 stage， 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。证据引导和灵活的行动机制，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）。并提供开放格式的视觉问答（VQA）响应。大幅超越了所有现有工作，推理深度和准确性之间的关联，