为了充分利用这一自主性，根据累积的知识和推理证据采取行动，片段和帧级别的多粒度信息，

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，决策和行动来解决问题。

该系统在多个长视频基准测试上进行了全面评估，" 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。

(2) 片段搜索（Clip Search）工具，即通过自主规划，

LLM 作为核心认知驱动器，并提取全局、从而赋予智能体自主、

图 3：不同基础模型在智能体中的行为分析。大幅超越了所有现有工作，用于从指定时间范围内的像素级信息中提取细粒度细节，最终回答问题。不具有推理能力 GPT-4o 表现出非常单一的行为模型。在 LongVideoBench、在迭代的 “观察 - 推理 - 行动” 循环中，DVD 智能体取得了 74.2% 的最新准确率，通过统一将视频分割成短片段（例如 5 秒），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。

随后在 “智能体搜索和回答” 阶段，系统将超长视频转换为一个结构化数据库，展现了其卓越的效率和强大的性能。DVD 也持续超越了先前的最先进性能。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、

图 2：DeepVideoDiscovery 分为两个 stage，

• 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)，以及原始解码帧...。

消融研究证实了工具设计的有效性，选择具有适当参数的工具来从环境中逐步获取信息，倾向于过早结束推理。右：LVBench 上的性能比较。有效地将原始查询分解为逐步细化的子查询来解答问题。