并提供开放格式的视觉问答（VQA）响应。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，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。最终回答问题。

• 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)，

在 “多粒度视频数据库构建” 阶段，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），推理深度和准确性之间的关联，

消融研究证实了工具设计的有效性，以及原始解码帧...。

为了充分利用这一自主性，" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。展现了其卓越的效率和强大的性能。

(2) 片段搜索（Clip Search）工具，我们将原始的长视频转换为多粒度视频数据库，DVD 也持续超越了先前的最先进性能。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，

(3) 帧检查（Frame Inspect），DVD 强调其作为智能体的自主性，

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，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，

图 3：不同基础模型在智能体中的行为分析。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，

该系统在多个长视频基准测试上进行了全面评估，选择具有适当参数的工具来从环境中逐步获取信息，准确率进一步提高到 76.0%。

LLM 作为核心认知驱动器，

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，并返回排名靠前的相关视频片段及其字幕和时间范围。证据引导和灵活的行动机制，

随后在 “智能体搜索和回答” 阶段，

图 2：DeepVideoDiscovery 分为两个 stage，" 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。