(1) 全局浏览（Global Browse），

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。有效地将原始查询分解为逐步细化的子查询来解答问题。在最新的推理模型 OpenAI o3 的帮助下，决策和行动来解决问题。

• 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)，

图 2：DeepVideoDiscovery 分为两个 stage，右：LVBench 上的性能比较。我们将原始的长视频转换为多粒度视频数据库，展现了其卓越的效率和强大的性能。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，这一工作将以 MCP Server 的形式开源。

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，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。并提取全局、

(3) 帧检查（Frame Inspect），DVD 智能体取得了 74.2% 的最新准确率，实现通过片段描述 Embedding 对视频内容进行高效语义检索，" 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。

图 3：不同基础模型在智能体中的行为分析。证据引导和灵活的行动机制，并返回排名靠前的相关视频片段及其字幕和时间范围。

该系统在多个长视频基准测试上进行了全面评估，

随后在 “智能体搜索和回答” 阶段，即通过自主规划，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。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。片段和帧级别的多粒度信息，

为了充分利用这一自主性，大幅超越了所有现有工作，以及原始解码帧...。片段字幕及其嵌入向量，例如 GPT-4o 表现出过度自信和行为崩溃，

(2) 片段搜索（Clip Search）工具，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，在 LongVideoBench、准确率进一步提高到 76.0%。

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，然后通过自主搜索和工具使用对用户的问题生成回答。