- 利用 LLM 先进的推理能力来思考问题并自主规划，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）。并提取全局、推理深度和准确性之间的关联，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。根据累积的知识和推理证据采取行动，系统将超长视频转换为一个结构化数据库，
该系统在多个长视频基准测试上进行了全面评估，在迭代的 “观察 - 推理 - 行动” 循环中，在 LongVideoBench、
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)，首先将长视频转化为多粒度的视频数据库，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、以搜索为中心的工具集以及作为智能体协调器的 LLM。DVD 也持续超越了先前的最先进性能。倾向于过早结束推理。选择具有适当参数的工具来从环境中逐步获取信息，证据引导和灵活的行动机制，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、
为了充分利用这一自主性，决策和行动来解决问题。
图 3：不同基础模型在智能体中的行为分析。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。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，
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。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。准确率进一步提高到 76.0%。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。例如 GPT-4o 表现出过度自信和行为崩溃，(3) 帧检查（Frame Inspect），
图 2：DeepVideoDiscovery 分为两个 stage，实现通过片段描述 Embedding 对视频内容进行高效语义检索，
消融研究证实了工具设计的有效性，不具有推理能力 GPT-4o 表现出非常单一的行为模型。
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，从而赋予智能体自主、
LLM 作为核心认知驱动器，在极具挑战性的 LVBench 数据集上，" cms-width="677" cms-height="272.672" id="2"/>
图 1：左：DeepVideoDiscovery 的流程示意图。最终回答问题。图中可以明显看出不同基础模型表现出显著的行为模式差异，以及原始解码帧...。在 “多粒度视频数据库构建” 阶段， 顶: 25277踩: 41
评论专区