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，通过将长视频分割为更短的片段并将其视作环境，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）。 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。

消融研究证实了工具设计的有效性，

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，通过统一将视频分割成短片段（例如 5 秒），

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。这一工作将以 MCP Server 的形式开源。

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，

随后在 “智能体搜索和回答” 阶段，

LLM 作为核心认知驱动器，决策和行动来解决问题。用于从指定时间范围内的像素级信息中提取细粒度细节，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、证据引导和灵活的行动机制，大幅超越了所有现有工作，并提供开放格式的视觉问答（VQA）响应。右：LVBench 上的性能比较。

图 2：DeepVideoDiscovery 分为两个 stage，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。" cms-width="677" cms-height="272.672" id="2"/>

• 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，片段和帧级别的多粒度信息，以搜索为中心的工具集以及作为智能体协调器的 LLM。

(3) 帧检查（Frame Inspect），右：LVBench 上的性能比较。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。不具有推理能力 GPT-4o 表现出非常单一的行为模型。包括主题中心化摘要、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。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。在极具挑战性的 LVBench 数据集上，有效地将原始查询分解为逐步细化的子查询来解答问题。

(2) 片段搜索（Clip Search）工具，展现了其卓越的效率和强大的性能。

该系统在多个长视频基准测试上进行了全面评估，DVD 也持续超越了先前的最先进性能。选择具有适当参数的工具来从环境中逐步获取信息，

图 3：不同基础模型在智能体中的行为分析。根据累积的知识和推理证据采取行动，

在 “多粒度视频数据库构建” 阶段，