多模态深度研究智能体正在从单张图片走向连续视频。Video-DeepResearch（Video-DR）关注的并非一般视频问答，而是需要跨帧定位视觉证据、再结合开放网络信息完成多跳推理的任务。论文认为，现有模型即使拥有视觉和搜索工具，也可能绕开真实的视频理解过程。

先约束工具使用顺序

作者在初步评估中识别出两个瓶颈。其一是模态偏置：智能体倾向于直接使用文本搜索，而不是调用视觉工具检查视频。其二是参数知识泄漏：模型可能依赖内部记忆回答问题，表面上完成任务，实际没有执行预期的工具增强流程。

Video-DR 因此采用解耦的感知—探索管线，并按阶段开放工具。模型需要先对视频进行较完整的跨帧视觉定位，之后才能使用网络检索。这个设计重点不是增加工具数量，而是通过执行顺序减少走捷径，让最终答案更可能建立在视频证据与外部资料的组合之上。

两阶段训练与自建评测

训练分为监督微调和 Group Relative Policy Optimization（GRPO）两个阶段。监督微调提供基本的工具调用轨迹，GRPO 则用于推动模型自主探索，试图突破单纯模仿既有轨迹的上限。

团队同时构建了 Video-DR-Bench，包含 200 道由人类与 AI 协作整理的复杂多跳视频问答。论文报告，Video-DeepResearch-35B-A3B 的平均准确率为 64.0%，高于 Claude-4.5-Sonnet 的 59.0%、Gemini 2.5 Pro 的 57.5%和 GPT-5 的 52.5%；30B-A3B 版本达到 59.3%。这些数字说明该训练与工具编排方案在这套基准上有效，但仍属于单一自建评测中的结果。

我的判断

这项工作的价值，在于把“是否真正看过视频、是否真正调用工具”提升为智能体设计的核心问题。分阶段解锁工具是一种直接且可审计的约束，适合证据分散在多个时间点、还需要外部检索补充背景的任务。

边界也很明确：基准只有 200 个样例，任务覆盖面、标注稳定性以及对不同视频长度和领域的泛化情况，仅凭摘要无法判断；与闭源模型的比较也只反映 Video-DR-Bench 上的准确率，不能直接外推为通用能力领先。后续更值得关注的是执行轨迹质量、视觉证据可验证性，以及强制先感知带来的额外计算成本。