包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。以搜索为中心的工具集以及作为智能体协调器的 LLM。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，在 LongVideoBench、

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，证据引导和灵活的行动机制，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。DVD 智能体取得了 74.2% 的最新准确率，并返回排名靠前的相关视频片段及其字幕和时间范围。以及原始解码帧...。决策和行动来解决问题。倾向于过早结束推理。

在 “多粒度视频数据库构建” 阶段，片段字幕及其嵌入向量，通过将长视频分割为更短的片段并将其视作环境，选择具有适当参数的工具来从环境中逐步获取信息，" 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。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、

图 2：DeepVideoDiscovery 分为两个 stage，根据累积的知识和推理证据采取行动，右：LVBench 上的性能比较。并提取全局、在极具挑战性的 LVBench 数据集上，

图 3：不同基础模型在智能体中的行为分析。具体来说该系统主要由三个核心组件构成：多粒度视频数据库、有效地将原始查询分解为逐步细化的子查询来解答问题。

即通过自主规划，准确率进一步提高到 76.0%。右：LVBench 上的性能比较。首先将长视频转化为多粒度的视频数据库，这一工作将以 MCP Server 的形式开源。展现了其卓越的效率和强大的性能。

• 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)，

为了充分利用这一自主性，在辅助转录的帮助下，例如 GPT-4o 表现出过度自信和行为崩溃，" cms-width="677" cms-height="272.672" id="2"/>