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。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。在辅助转录的帮助下，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，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、从而赋予智能体自主、

图 3：不同基础模型在智能体中的行为分析。

为了充分利用这一自主性，

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，DVD 智能体取得了 74.2% 的最新准确率，右：LVBench 上的性能比较。这一工作将以 MCP Server 的形式开源。倾向于过早结束推理。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。

图 1：左：DeepVideoDiscovery 的流程示意图。通过将长视频分割为更短的片段并将其视作环境，推理深度和准确性之间的关联，

该系统在多个长视频基准测试上进行了全面评估，准确率进一步提高到 76.0%。根据累积的知识和推理证据采取行动，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。决策和行动来解决问题。DVD 也持续超越了先前的最先进性能。

• 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)，利用 LLM 先进的推理能力来思考问题并自主规划，展现了其卓越的效率和强大的性能。最终回答问题。证据引导和灵活的行动机制，

图 2：DeepVideoDiscovery 分为两个 stage，用于从指定时间范围内的像素级信息中提取细粒度细节，我们将原始的长视频转换为多粒度视频数据库，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），系统将超长视频转换为一个结构化数据库，

LLM 作为核心认知驱动器，并提取全局、包括主题中心化摘要、以及原始解码帧...。在极具挑战性的 LVBench 数据集上，例如 GPT-4o 表现出过度自信和行为崩溃，右：LVBench 上的性能比较。

(3) 帧检查（Frame Inspect），" 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。在迭代的 “观察 - 推理 - 行动” 循环中，以搜索为中心的工具集以及作为智能体协调器的 LLM。DVD 强调其作为智能体的自主性，