只管大型说话模型（LLMs）和大型视觉 - 说话模型（VLMs）在视频分析和长语境处置方面获得了显著进展
，但它们在处置信息密集的数幼时长视频时仍显示出局限性。 本文提出了一种新鲜的智能体 Deep Video Discovery (DVD)
，通过将长视频宰割为更短的片段并将其视作环境
，利用 LLM 先进的推理能力来思虑问题并自主规划
，选择拥有适当参数的工具来从环境中逐步获守信息
，最终回覆问题。在最新的推理模型OpenAI o3的援手下
， DVD以这一简洁有效的 agentic 框架在极度拥有挑战性的LVBench上以74.2%的正确率大幅超过了之前的工作。这一工作将以MCP Server的大局开源。 分歧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
，DVD 强调其作为智能体的自主性
，即通过自主规划
，决策和行动来解决问题。 为了充分利用这一自主性
，我们将原始的长视频转换为多粒度视频数据库
，并提供了一套以搜索为中心的工具使得智能体在分歧阶段网络分歧粒度的信息。具体来说该系统重要由三个主题组件组成：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。 在 “多粒度视频数据库构建” 阶段
，系统将超长视频转换为一个结构化数据库
，通过统一将视频宰割成短片段（例如 5 秒）
，并提取全局、片段和帧级此外多粒度信息
，蕴含主题中心化提要、片段字幕及其嵌入向量
，以及原始解码帧...。 (2)片段搜索（Clip Search）工具
，实现通过片段描述 Embedding 对视频内容进行高效语义检索
，并返回排名靠前的有关视频片段及其字幕和功夫领域。 LLM 作为主题认知驱动器
，在迭代的 “观察 - 推理 - 行动” 循环中
，凭据累积的知识和推理证据采取行动
，从而赋予智能体自主、证据疏导和矫捷的行动机造
，有效地将原始查问分化为逐步细化的子查问来解答问题。 该系统在多个长视频基准测试上进行了全面评估
，展示了其卓越的效能和壮大的机能。在极具挑战性的 LVBench 数据集上
，DVD 智能体获得了 74.2% 的最新正确率
，大幅超过了所有现有工作
，蕴含先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。在辅助转录的援手下
，正确率进一步提高到 76.0%。在 LongVideoBench、Video MME Long 子集和 EgoSchema 等其他长视频基准测试中
，DVD 也持续超过了先前的最先进机能。 图 3：分歧基础模型在智能体中的行为分析。图中能够显著看出分歧基础模型阐发出显著的行为模式差距
，不拥有推理能力 GPT-4o 阐发出极度单一的行为模型。 消融钻研证实了工具设计的有效性
，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）会导致机能降落
，这批注 LLM 推理能力的缺失会导致智能体行为崩溃。对智能体推理行为的分析也揭示了分歧模型在工具挪用模式、推理深度和正确性之间的关联
，例如 GPT-4o 阐发出过度自负和行为崩溃
，偏差于过早实现推理。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说话模型的发展提供了实际参考。