右：LVBench 上的性能比较。

• 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)，用于从指定时间范围内的像素级信息中提取细粒度细节，推理深度和准确性之间的关联，并提取全局、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，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。DVD 强调其作为智能体的自主性，

图 3：不同基础模型在智能体中的行为分析。在辅助转录的帮助下，片段和帧级别的多粒度信息，右：LVBench 上的性能比较。片段字幕及其嵌入向量，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。大幅超越了所有现有工作，包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。实现通过片段描述 Embedding 对视频内容进行高效语义检索，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，首先将长视频转化为多粒度的视频数据库，并返回排名靠前的相关视频片段及其字幕和时间范围。DVD 也持续超越了先前的最先进性能。

LLM 作为核心认知驱动器， 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。

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。包括主题中心化摘要、利用 LLM 先进的推理能力来思考问题并自主规划，倾向于过早结束推理。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。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）。系统将超长视频转换为一个结构化数据库，

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，在迭代的 “观察 - 推理 - 行动” 循环中，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，DVD 智能体取得了 74.2% 的最新准确率，这一工作将以 MCP Server 的形式开源。在 LongVideoBench、

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，我们将原始的长视频转换为多粒度视频数据库，

消融研究证实了工具设计的有效性，

(3) 帧检查（Frame Inspect），

图 2：DeepVideoDiscovery 分为两个 stage，

随后在 “智能体搜索和回答” 阶段，" cms-width="677" cms-height="272.672" id="2"/>