VideoDR：首个视频深度研究基准，评测AI结合视频与网络搜索进行多跳推理的能力。突破“视频孤岛”，让AI学会自主搜索。
原文标题：别再让AI“只看不搜”，真正解决问题需要它自己去查资料
原文作者：数据派THU
冷月清谈：
怜星夜思：
2、VideoDR的评测结果揭示了AI在长视频处理中存在“记忆衰退”的问题。除了保持视觉线索的长程一致性，还有哪些方法可以缓解或解决这个问题？
3、VideoDR基准的提出，对于未来视频Agent的发展有哪些启示？除了提升视觉线索的长程一致性，视频Agent还需要具备哪些关键能力才能更好地服务于真实世界的复杂调研任务？
原文内容
来源：新智元本文约1000字，建议阅读5分钟
本文介绍了首个视频深度研究评测基准VideoDR，评测AI结合视频与网络搜索进行多跳推理的能力。
在传统的视频问答（VideoQA）中，答案通常就在视频里。
然而，真正的智能Video Agent应该具备Deep Research的能力。
试想这样一个场景：你看到视频中博物馆的一个展品，想知道「该博物馆推荐的展品中，距离这个展品最近的那个，其注册编号是多少？」
这不仅仅需要理解视频（识别展品、定位位置），还需要跳出视频，去博物馆官网查找地图、推荐列表和编号信息。
论文链接：https://arxiv.org/abs/2601.06943
代码链接：https://github.com/QuantaAlpha/VideoDR-Benchmark
VideoDR (Video Deep Research) 正是为此而生，它定义了一个全新的任务范式：
-
多帧视觉线索：从多个视频帧中准确识别连续的关键信息进行推理。
-
交互式网络搜索：在浏览器环境中进行交互，执行多跳深度搜索。
-
多跳推理验证：结合视频线索和网络证据，提供可验证的事实性答案。
为了保证评测的含金量，VideoDR并没有采用自动化生成，而是进行了严格的人工标注与质检。
双重依赖性测试：剔除了那些「只看视频就能答」或「只搜文字就能答」的样本，确保模型必须结合两者能力。
六大领域覆盖：涵盖日常生活、经济、科技、文化、历史、地理。
Workflow vs. Agentic
研究人员对比了两种主流范式：
-
Workflow（工作流模式）： 将视频转化为结构化文本线索，再进行搜索推理。
-
Agentic（代理模式）： 模型直接端到端处理视频和搜索，自主决定何时搜索、何时思考。
评测模型：
-
闭源模型： GPT-5.2, GPT-4o, Gemini-3-pro-preview
-
开源模型： Qwen3-Omni-30B-a3b, InternVL3.5-14B, MiniCPM-V 4.5
核心发现与洞察
谁是目前的最强王者？
Gemini-3-pro-preview和GPT-5.2处于第一梯队，准确率达到了69%-76%左右，显著领先于其他模型。
Agentic 模式一定更强吗？
答案是：不一定。
虽然 Agentic 模式更灵活，但在长视频或高难度任务中，模型容易出现目标漂移（Goal Drift）。
-
Workflow 的优势： 显式的中间文本充当了「外部记忆」，防止模型在漫长的搜索链路中忘记最初视频里的视觉细节。
-
Agentic 的短板： 一旦初始的视觉感知出现偏差，且无法回看视频，错误的搜索路径会被不断放大。
长视频是「照妖镜」
在长视频场景下，模型保持长期一致性（Long-horizon Consistency）的能力成为瓶颈。
强如Gemini-3在Agentic模式下能利用长上下文获得提升，而部分开源模型在长视频下性能反而大幅下降。
总结
VideoDR将视频理解的战场从封闭测试集延伸到了无限的开放网络。
评测结果深刻揭示了「端到端」并非万能药：在面对长链路搜索时，模型往往会陷入「记忆衰退」的困境。
未来的视频 Agent 只有在保持视觉线索的长程一致性上取得突破，才能真正胜任真实世界的复杂调研任务。
参考资料：
https://arxiv.org/abs/2601.06943
