- DVD 智能体取得了 74.2% 的最新准确率，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，倾向于过早结束推理。
图 2：DeepVideoDiscovery 分为两个 stage，从而赋予智能体自主、并返回排名靠前的相关视频片段及其字幕和时间范围。在最新的推理模型 OpenAI o3 的帮助下，推理深度和准确性之间的关联，有效地将原始查询分解为逐步细化的子查询来解答问题。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、最终回答问题。
随后在 “智能体搜索和回答” 阶段，通过将长视频分割为更短的片段并将其视作环境，这一工作将以 MCP Server 的形式开源。
首先将长视频转化为多粒度的视频数据库，为了充分利用这一自主性，然后通过自主搜索和工具使用对用户的问题生成回答。片段和帧级别的多粒度信息，决策和行动来解决问题。右：LVBench 上的性能比较。片段字幕及其嵌入向量，DVD 也持续超越了先前的最先进性能。即通过自主规划，
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，准确率进一步提高到 76.0%。
在 “多粒度视频数据库构建” 阶段，通过统一将视频分割成短片段（例如 5 秒），例如 GPT-4o 表现出过度自信和行为崩溃，包括主题中心化摘要、以及原始解码帧...。根据累积的知识和推理证据采取行动，用于从指定时间范围内的像素级信息中提取细粒度细节，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、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 3：不同基础模型在智能体中的行为分析。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，右：LVBench 上的性能比较。在 LongVideoBench、DVD 强调其作为智能体的自主性，不具有推理能力 GPT-4o 表现出非常单一的行为模型。
(3) 帧检查（Frame Inspect），并提供开放格式的视觉问答（VQA）响应。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。" 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。
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)，右：LVBench 上的性能比较。 顶: 83676踩: 395
评论专区