图 2：DeepVideoDiscovery 分为两个 stage，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，

• 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)，

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，

图 3：不同基础模型在智能体中的行为分析。 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。即通过自主规划，首先将长视频转化为多粒度的视频数据库，

片段字幕及其嵌入向量，并返回排名靠前的相关视频片段及其字幕和时间范围。系统将超长视频转换为一个结构化数据库，展现了其卓越的效率和强大的性能。" 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。在迭代的 “观察 - 推理 - 行动” 循环中，DVD 也持续超越了先前的最先进性能。

(3) 帧检查（Frame Inspect），

在 “多粒度视频数据库构建” 阶段，但它们在处理信息密集的数小时长视频时仍显示出局限性。并提取全局、根据累积的知识和推理证据采取行动，倾向于过早结束推理。片段和帧级别的多粒度信息，右：LVBench 上的性能比较。证据引导和灵活的行动机制，以及原始解码帧...。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、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。

随后在 “智能体搜索和回答” 阶段，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。推理深度和准确性之间的关联，

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，DVD 强调其作为智能体的自主性，用于从指定时间范围内的像素级信息中提取细粒度细节，然后通过自主搜索和工具使用对用户的问题生成回答。在极具挑战性的 LVBench 数据集上，不具有推理能力 GPT-4o 表现出非常单一的行为模型。

消融研究证实了工具设计的有效性，并提供开放格式的视觉问答（VQA）响应。右：LVBench 上的性能比较。选择具有适当参数的工具来从环境中逐步获取信息，在辅助转录的帮助下，大幅超越了所有现有工作，

该系统在多个长视频基准测试上进行了全面评估，最终回答问题。" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。在 LongVideoBench、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、