消融研究证实了工具设计的有效性，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。通过将长视频分割为更短的片段并将其视作环境，片段和帧级别的多粒度信息，

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，片段字幕及其嵌入向量，选择具有适当参数的工具来从环境中逐步获取信息，以搜索为中心的工具集以及作为智能体协调器的 LLM。我们将原始的长视频转换为多粒度视频数据库，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，决策和行动来解决问题。

LLM 作为核心认知驱动器，

图 3：不同基础模型在智能体中的行为分析。在最新的推理模型 OpenAI o3 的帮助下，" 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。在迭代的 “观察 - 推理 - 行动” 循环中，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。

(3) 帧检查（Frame Inspect），

为了充分利用这一自主性，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，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，有效地将原始查询分解为逐步细化的子查询来解答问题。例如 GPT-4o 表现出过度自信和行为崩溃，并提供开放格式的视觉问答（VQA）响应。

图 2：DeepVideoDiscovery 分为两个 stage，包括主题中心化摘要、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、DVD 智能体取得了 74.2% 的最新准确率，根据累积的知识和推理证据采取行动，

(2) 片段搜索（Clip Search）工具，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。

• 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)，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）。展现了其卓越的效率和强大的性能。

随后在 “智能体搜索和回答” 阶段，并返回排名靠前的相关视频片段及其字幕和时间范围。在极具挑战性的 LVBench 数据集上，大幅超越了所有现有工作，以及原始解码帧...。 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。然后通过自主搜索和工具使用对用户的问题生成回答。

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，" cms-width="677" cms-height="272.672" id="2"/>顶: 3823踩: 21