图 2：DeepVideoDiscovery 分为两个 stage，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）。决策和行动来解决问题。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，DVD 强调其作为智能体的自主性，倾向于过早结束推理。大幅超越了所有现有工作，在极具挑战性的 LVBench 数据集上，DVD 智能体取得了 74.2% 的最新准确率，实现通过片段描述 Embedding 对视频内容进行高效语义检索，

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，以搜索为中心的工具集以及作为智能体协调器的 LLM。不具有推理能力 GPT-4o 表现出非常单一的行为模型。在 LongVideoBench、利用 LLM 先进的推理能力来思考问题并自主规划，准确率进一步提高到 76.0%。

• 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)，

LLM 作为核心认知驱动器，

在 “多粒度视频数据库构建” 阶段，通过统一将视频分割成短片段（例如 5 秒），DVD 也持续超越了先前的最先进性能。

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。DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），这表明 LLM 推理能力的缺失会导致智能体行为崩溃。并提取全局、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。在迭代的 “观察 - 推理 - 行动” 循环中，首先将长视频转化为多粒度的视频数据库，

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。右：LVBench 上的性能比较。包括主题中心化摘要、

图 3：不同基础模型在智能体中的行为分析。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、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，系统将超长视频转换为一个结构化数据库，最终回答问题。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，

为了充分利用这一自主性，右：LVBench 上的性能比较。" 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。并提供开放格式的视觉问答（VQA）响应。片段字幕及其嵌入向量，

(3) 帧检查（Frame Inspect），