(2) 片段搜索（Clip Search）工具，通过将长视频分割为更短的片段并将其视作环境，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。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）。然后通过自主搜索和工具使用对用户的问题生成回答。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，

• 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)，选择具有适当参数的工具来从环境中逐步获取信息，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），在辅助转录的帮助下，

(3) 帧检查（Frame Inspect），" 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。

该系统在多个长视频基准测试上进行了全面评估，

LLM 作为核心认知驱动器，从而赋予智能体自主、右：LVBench 上的性能比较。在 LongVideoBench、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，

随后在 “智能体搜索和回答” 阶段，片段字幕及其嵌入向量，在最新的推理模型 OpenAI o3 的帮助下，

为了充分利用这一自主性，

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，

在 “多粒度视频数据库构建” 阶段，

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，

图 2：DeepVideoDiscovery 分为两个 stage，在极具挑战性的 LVBench 数据集上，以搜索为中心的工具集以及作为智能体协调器的 LLM。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，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。用于从指定时间范围内的像素级信息中提取细粒度细节，" cms-width="677" cms-height="272.672" id="2"/>

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 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。DVD 强调其作为智能体的自主性，大幅超越了所有现有工作，展现了其卓越的效率和强大的性能。并提供开放格式的视觉问答（VQA）响应。片段和帧级别的多粒度信息，准确率进一步提高到 76.0%。

消融研究证实了工具设计的有效性，