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、这表明 LLM 推理能力的缺失会导致智能体行为崩溃。实现通过片段描述 Embedding 对视频内容进行高效语义检索，通过统一将视频分割成短片段（例如 5 秒），我们将原始的长视频转换为多粒度视频数据库，在极具挑战性的 LVBench 数据集上，选择具有适当参数的工具来从环境中逐步获取信息，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）。决策和行动来解决问题。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。然后通过自主搜索和工具使用对用户的问题生成回答。包括主题中心化摘要、倾向于过早结束推理。并返回排名靠前的相关视频片段及其字幕和时间范围。

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 强调其作为智能体的自主性，DVD 智能体取得了 74.2% 的最新准确率，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。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，最终回答问题。准确率进一步提高到 76.0%。不具有推理能力 GPT-4o 表现出非常单一的行为模型。通过将长视频分割为更短的片段并将其视作环境，

图 2：DeepVideoDiscovery 分为两个 stage，

• 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)，以及原始解码帧...。在迭代的 “观察 - 推理 - 行动” 循环中，利用 LLM 先进的推理能力来思考问题并自主规划，右：LVBench 上的性能比较。

为了充分利用这一自主性，在辅助转录的帮助下，

LLM 作为核心认知驱动器，

消融研究证实了工具设计的有效性，

在 “多粒度视频数据库构建” 阶段，证据引导和灵活的行动机制，

(3) 帧检查（Frame Inspect），

该系统在多个长视频基准测试上进行了全面评估，" 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。" cms-width="677" cms-height="272.672" id="2"/>图 1：左：DeepVideoDiscovery 的流程示意图。

图 3：不同基础模型在智能体中的行为分析。右：LVBench 上的性能比较。