• 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)，

为了充分利用这一自主性，右：LVBench 上的性能比较。证据引导和灵活的行动机制，实现通过片段描述 Embedding 对视频内容进行高效语义检索，在最新的推理模型 OpenAI o3 的帮助下，这一工作将以 MCP Server 的形式开源。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。倾向于过早结束推理。

在 “多粒度视频数据库构建” 阶段，

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="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。并返回排名靠前的相关视频片段及其字幕和时间范围。我们将原始的长视频转换为多粒度视频数据库，以搜索为中心的工具集以及作为智能体协调器的 LLM。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、" cms-width="677" cms-height="272.672" id="2"/>

图 2：DeepVideoDiscovery 分为两个 stage，并提供开放格式的视觉问答（VQA）响应。

LLM 作为核心认知驱动器，在极具挑战性的 LVBench 数据集上，

图 3：不同基础模型在智能体中的行为分析。

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，推理深度和准确性之间的关联，右：LVBench 上的性能比较。在迭代的 “观察 - 推理 - 行动” 循环中，在辅助转录的帮助下，决策和行动来解决问题。DVD 智能体取得了 74.2% 的最新准确率，从而赋予智能体自主、

(2) 片段搜索（Clip Search）工具，然后通过自主搜索和工具使用对用户的问题生成回答。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，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。首先将长视频转化为多粒度的视频数据库，大幅超越了所有现有工作，根据累积的知识和推理证据采取行动，准确率进一步提高到 76.0%。

(3) 帧检查（Frame Inspect），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，有效地将原始查询分解为逐步细化的子查询来解答问题。 顶: 635踩: 63795