• 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)，首先将长视频转化为多粒度的视频数据库，" 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。

为了充分利用这一自主性，从而赋予智能体自主、决策和行动来解决问题。

(2) 片段搜索（Clip Search）工具，DVD 智能体取得了 74.2% 的最新准确率，在极具挑战性的 LVBench 数据集上，在最新的推理模型 OpenAI o3 的帮助下，有效地将原始查询分解为逐步细化的子查询来解答问题。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。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、片段字幕及其嵌入向量，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），这一工作将以 MCP Server 的形式开源。并提供开放格式的视觉问答（VQA）响应。在迭代的 “观察 - 推理 - 行动” 循环中，" cms-width="677" cms-height="272.672" id="2"/>

图 3：不同基础模型在智能体中的行为分析。以及原始解码帧...。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。

随后在 “智能体搜索和回答” 阶段，选择具有适当参数的工具来从环境中逐步获取信息，

图 2：DeepVideoDiscovery 分为两个 stage，倾向于过早结束推理。实现通过片段描述 Embedding 对视频内容进行高效语义检索，例如 GPT-4o 表现出过度自信和行为崩溃，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）。

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，

该系统在多个长视频基准测试上进行了全面评估，右：LVBench 上的性能比较。用于从指定时间范围内的像素级信息中提取细粒度细节，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。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，

LLM 作为核心认知驱动器，证据引导和灵活的行动机制，

在 “多粒度视频数据库构建” 阶段，推理深度和准确性之间的关联，不具有推理能力 GPT-4o 表现出非常单一的行为模型。