让 AI 看一段视频，然后回答一个需要上网查证的问题——这件听起来不难的事，最新的闭源旗舰模型其实做得并不好。而中科大团队刚刚开源的一个 35B 模型，把这件事做到了新的高度。
这篇论文是 Video-DeepResearch（视频深度研究），今天刚被我们归档进突出论文库。它的结果很直接：在视频深度研究基准上，开源的 Video-DeepResearch-35B-A3B 平均准确率 64.0%，超过 Claude-4.5-Sonnet（59.0%）整整 5 个百分点，GPT-5 只有 52.5%，Gemini 2.5 Pro 为 57.5%（来源：论文 Table 3）。
一个开源的 35B 激活 3B 的模型，在需要"看懂视频+多跳检索"的复合任务上，赢过了所有闭源旗舰。这值得细看。
视频深度研究（Video Deep Research）指的是什么？给模型一段视频和一个开放问题，它需要先看懂画面里的实体——人物、商品、标志、文字，再跨多轮上网检索外部知识，最后拼出答案。比如"视频里这双拖鞋是什么型号"，得先裁出鞋、以图搜索，再核对品牌官网信息。这是多模态 Agent 从静态图片走向连续视频流的关键一步，也是短视频审核、内容电商、媒资检索等场景的直接技术底座。
AI 的偷懒：不看图，只搜字
论文最有价值的部分不是结果，而是它先揭了两个短。
研究团队测了三个代表性模型在视频研究任务上的行为，发现两个系统性问题。第一是模态偏见：最强的开源模型平均每任务只调用 0.10 次视觉工具，却调用 1.27 次文本搜索（来源：论文实证研究）。也就是说，给它一段视频让它查，它基本不看视频，直接去搜文字碰运气。
第二是参数知识泄漏：GPT-5 在旧基准上几乎零工具调用，却拿到 57% 的准确率（来源：同上）。这说明旧基准的大部分题目靠模型"背过的世界知识"就能答对，根本没测出真正的检索能力。
图注：Video-DeepResearch 的核心流程——先在视频帧里定位目标，再放行网络搜索。
这两个发现对所有做 Agent 的人都是提醒：你以为模型在"使用工具"，其实它在"绕过工具"。基准分数好看，可能只是题太容易背。
解法：先看后搜，分阶段解锁工具
针对这两个问题，团队的做法可以概括成一句话：强制 AI 先看清画面，再允许它上网。
具体是"感知-探索解耦"流水线，配合分阶段工具解锁：第一阶段只开放视觉工具（选关键帧、裁切实体），模型必须跨帧、跨实体做完视觉定位；达到条件后才解锁文本搜索和网页访问工具。训练上用 SFT 加 GRPO 强化学习两阶段配方，打破纯模仿学习的上限。
数据侧也下了硬功夫：30K 视频问答对和 7K 条精选轨迹。每道题都经过"防背题"过滤——对每个问题做 4 次无工具测试，只要模型不用工具能答对一次，这道题就永久丢弃（来源：论文 3.1-3.2 节）。最终配套基准 VIDEODR-BENCH 含 200 道多跳视觉问答题，覆盖知识、娱乐、日常、游戏体育、新闻等六大领域。
图注：200 道题全部要求"视觉定位+多跳外部知识推理"双重能力，知识类占 29.5%。
效果：工具调用行为被彻底改写
训练前后的工具调用对比最能说明问题。基座模型 Qwen3.5-397B 平均每任务只用 0.10 次视觉工具；训练后的 Video-DeepResearch-30B 达到 2.33 次视觉调用、4.24 次文本调用（来源：论文 Table 4）。模型从"躲着图片走"变成了"主动逐帧找线索"。
对应到成绩：30B 版本比自己的基座提升 18.8 个百分点（40.5%→59.3%），35B 版本提升 21.2 个百分点（42.8%→64.0%）。模型越大，这套训练流水线的收益越高——论文作者认为这与复杂多跳推理对容量的需求有关。
新基准也确实更"抗背"：GPT-5 在上面被迫把视觉工具调用从 0.00 提到 0.31、文本调用从 0.12 提到 1.43，准确率则从旧基准的 57% 跌到 52.5%（来源：论文 Table 3/4）。题变难了，才是真测试。
图注：30K 训练数据的生产流水线，"无工具答对即弃"的过滤机制是防知识泄漏的关键。
源势AI观点
这篇论文给我们的启发不在"又一个开源模型赢了"，而在一个工程原则：Agent 的能力上限，往往不由模型决定，而由流程约束决定。
模型天生会走捷径——能背就不搜，能搜文字就不看图。视频研究如此，企业场景里的 Agent 同样如此：让它查内部系统，它可能拿训练记忆糊弄；让它调 API，它可能绕开关键校验直接编答案。Video-DeepResearch 的答案是流程设计：分阶段解锁工具，强制先完成感知再进入检索；数据侧用"无工具答对即弃"堵住背题路径。
这正是我们在企业 FDE 与智能体落地中反复验证的经验。在能源、金融行业的 Agent 项目里，我们做到 AI 研判准确率 98.7%、人力节省 70%，靠的不是堆更大的模型，而是把业务流程拆成可校验的阶段，让每一步的输出都被下一道关卡检验。模型是引擎，流程才是方向盘。
开源生态在视频理解+智能体这个交叉点上又进了一步。对企业用户来说，这意味着更多可控、可私有化部署的选择正在逼近闭源能力线——而怎么把这些模型"管出"真实生产力，是下一个问题。
