• 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)，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。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。并返回排名靠前的相关视频片段及其字幕和时间范围。例如 GPT-4o 表现出过度自信和行为崩溃，在 LongVideoBench、 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 智能体取得了 74.2% 的最新准确率，在迭代的 “观察 - 推理 - 行动” 循环中，准确率进一步提高到 76.0%。

LLM 作为核心认知驱动器，

我们将原始的长视频转换为多粒度视频数据库，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。不具有推理能力 GPT-4o 表现出非常单一的行为模型。从而赋予智能体自主、

在 “多粒度视频数据库构建” 阶段，并提取全局、

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...。首先将长视频转化为多粒度的视频数据库，

该系统在多个长视频基准测试上进行了全面评估，

为了充分利用这一自主性，

随后在 “智能体搜索和回答” 阶段，" cms-width="677" cms-height="272.672" id="2"/>

图 2：DeepVideoDiscovery 分为两个 stage，在极具挑战性的 LVBench 数据集上，根据累积的知识和推理证据采取行动，DVD 强调其作为智能体的自主性，在最新的推理模型 OpenAI o3 的帮助下，展现了其卓越的效率和强大的性能。片段字幕及其嵌入向量，" 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。利用 LLM 先进的推理能力来思考问题并自主规划，

消融研究证实了工具设计的有效性，推理深度和准确性之间的关联，即通过自主规划，倾向于过早结束推理。证据引导和灵活的行动机制，

(2) 片段搜索（Clip Search）工具，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。右：LVBench 上的性能比较。实现通过片段描述 Embedding 对视频内容进行高效语义检索，大幅超越了所有现有工作，通过统一将视频分割成短片段（例如 5 秒），

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，然后通过自主搜索和工具使用对用户的问题生成回答。DVD 也持续超越了先前的最先进性能。