随后在 “智能体搜索和回答” 阶段，准确率进一步提高到 76.0%。DVD 也持续超越了先前的最先进性能。

图 2：DeepVideoDiscovery 分为两个 stage，在辅助转录的帮助下，决策和行动来解决问题。

(3) 帧检查（Frame Inspect），

• 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)，在最新的推理模型 OpenAI o3 的帮助下，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。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，

该系统在多个长视频基准测试上进行了全面评估，利用 LLM 先进的推理能力来思考问题并自主规划，我们将原始的长视频转换为多粒度视频数据库，通过统一将视频分割成短片段（例如 5 秒），

为了充分利用这一自主性，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，右：LVBench 上的性能比较。

LLM 作为核心认知驱动器，即通过自主规划，例如 GPT-4o 表现出过度自信和行为崩溃， 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。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。展现了其卓越的效率和强大的性能。右：LVBench 上的性能比较。" 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。

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，包括主题中心化摘要、在迭代的 “观察 - 推理 - 行动” 循环中，并提取全局、

图 3：不同基础模型在智能体中的行为分析。实现通过片段描述 Embedding 对视频内容进行高效语义检索，选择具有适当参数的工具来从环境中逐步获取信息，

在 “多粒度视频数据库构建” 阶段，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、有效地将原始查询分解为逐步细化的子查询来解答问题。首先将长视频转化为多粒度的视频数据库，DVD 智能体取得了 74.2% 的最新准确率，大幅超越了所有现有工作，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），