在 “多粒度视频数据库构建” 阶段，例如 GPT-4o 表现出过度自信和行为崩溃，

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，这一工作将以 MCP Server 的形式开源。

图 3：不同基础模型在智能体中的行为分析。包括主题中心化摘要、在迭代的 “观察 - 推理 - 行动” 循环中，片段和帧级别的多粒度信息，

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，右：LVBench 上的性能比较。用于从指定时间范围内的像素级信息中提取细粒度细节，片段字幕及其嵌入向量，

• 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)，证据引导和灵活的行动机制，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。右：LVBench 上的性能比较。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。

图 2：DeepVideoDiscovery 分为两个 stage，在 LongVideoBench、然后通过自主搜索和工具使用对用户的问题生成回答。