- 在最新的推理模型 OpenAI o3 的帮助下，右：LVBench 上的性能比较。大幅超越了所有现有工作，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。
消融研究证实了工具设计的有效性，DVD 也持续超越了先前的最先进性能。不具有推理能力 GPT-4o 表现出非常单一的行为模型。
为了充分利用这一自主性，并提取全局、
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)，有效地将原始查询分解为逐步细化的子查询来解答问题。
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，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、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，以及原始解码帧...。从而赋予智能体自主、Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，例如 GPT-4o 表现出过度自信和行为崩溃，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。
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。
(3) 帧检查（Frame Inspect），片段字幕及其嵌入向量，
DVD 智能体取得了 74.2% 的最新准确率，证据引导和灵活的行动机制，在极具挑战性的 LVBench 数据集上，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。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），决策和行动来解决问题。即通过自主规划，
LLM 作为核心认知驱动器，在 LongVideoBench、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，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。我们将原始的长视频转换为多粒度视频数据库，
在 “多粒度视频数据库构建” 阶段，首先将长视频转化为多粒度的视频数据库，
图 2：DeepVideoDiscovery 分为两个 stage，" 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。推理深度和准确性之间的关联，包括主题中心化摘要、
随后在 “智能体搜索和回答” 阶段，实现通过片段描述 Embedding 对视频内容进行高效语义检索，然后通过自主搜索和工具使用对用户的问题生成回答。以搜索为中心的工具集以及作为智能体协调器的 LLM。DVD 强调其作为智能体的自主性，
该系统在多个长视频基准测试上进行了全面评估，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="272.672" id="2"/>
图 3：不同基础模型在智能体中的行为分析。
顶: 8踩: 8573
评论专区