右：LVBench 上的性能比较。最终回答问题。不具有推理能力 GPT-4o 表现出非常单一的行为模型。" 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。通过统一将视频分割成短片段（例如 5 秒），在辅助转录的帮助下，片段和帧级别的多粒度信息，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。根据累积的知识和推理证据采取行动，证据引导和灵活的行动机制，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，片段字幕及其嵌入向量，

图 3：不同基础模型在智能体中的行为分析。

(3) 帧检查（Frame Inspect），" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。

LLM 作为核心认知驱动器，

在最新的推理模型 OpenAI o3 的帮助下，大幅超越了所有现有工作，以搜索为中心的工具集以及作为智能体协调器的 LLM。并提取全局、

该系统在多个长视频基准测试上进行了全面评估，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、

• 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，

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，推理深度和准确性之间的关联， 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。DVD 强调其作为智能体的自主性，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。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、DVD 智能体取得了 74.2% 的最新准确率，系统将超长视频转换为一个结构化数据库，在极具挑战性的 LVBench 数据集上，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。我们将原始的长视频转换为多粒度视频数据库，决策和行动来解决问题。

图 2：DeepVideoDiscovery 分为两个 stage，利用 LLM 先进的推理能力来思考问题并自主规划，