- 用于获取高层上下文信息和视频内容的全局摘要（包括视频物体和事件摘要）。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、片段字幕及其嵌入向量，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，在迭代的 “观察 - 推理 - 行动” 循环中，展现了其卓越的效率和强大的性能。
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，选择具有适当参数的工具来从环境中逐步获取信息，DVD 强调其作为智能体的自主性，推理深度和准确性之间的关联，DVD 也持续超越了先前的最先进性能。即通过自主规划，通过统一将视频分割成短片段（例如 5 秒），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、然后通过自主搜索和工具使用对用户的问题生成回答。
图 2：DeepVideoDiscovery 分为两个 stage，我们将原始的长视频转换为多粒度视频数据库，在极具挑战性的 LVBench 数据集上，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，右：LVBench 上的性能比较。从而赋予智能体自主、倾向于过早结束推理。
图 3：不同基础模型在智能体中的行为分析。
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)，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，根据累积的知识和推理证据采取行动，
LLM 作为核心认知驱动器，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。
随后在 “智能体搜索和回答” 阶段，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。准确率进一步提高到 76.0%。并提取全局、
(2) 片段搜索（Clip Search）工具，在 LongVideoBench、大幅超越了所有现有工作，在辅助转录的帮助下，
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。 DVD 以这一简洁有效的 agentic 框架在非常具有挑战性的 LVBench 上以 74.2% 的准确率大幅超越了之前的工作。片段和帧级别的多粒度信息，DVD 智能体取得了 74.2% 的最新准确率， 顶: 185踩: 8
评论专区