论文公开页面未披露作者机构。Video-DeepResearch团队研究的任务要求模型先在连续画面里找到人物或物体，再去网页补充外部知识；团队发现，现有智能体常跳过视觉工具直接搜索文字，或凭模型记忆作答。新系统因此分阶段开放工具，强制先完成跨帧视觉定位。
论文图1：智能体先在视频中选择关键帧并定位实体，再进入开放网页检索。
搜索按钮不是一开始就能用
系统把感知和探索拆开。第一阶段只开放关键帧选择、裁剪和视觉搜索，模型必须从多个画面锁定实体；得到视觉证据后，第二阶段才开放网页Search和Visit工具。
这种权限顺序针对两种捷径。其一是模态偏见：有文字搜索就不认真看视频；其二是参数知识泄漏：答案已经记在模型权重里，工具调用只做表面动作。训练数据还会过滤无需视频即可回答的问题。
200道题覆盖六类视频
VideoDR-Bench包含200道复杂多跳问答，知识类占29.5%，娱乐22.0%，日常生活18.5%，游戏与体育14.5%，新闻12.0%，其他3.5%。每题都要求视觉定位和外部知识推理共同参与。
论文图2：基准覆盖知识、娱乐、生活、体育、新闻等六类视频。
团队先用规则和智能体筛选原始视频，再抽取关键帧、裁剪实体，生成单实体或多实体问题。只有正确执行的工具轨迹进入训练，模型先做监督微调，再用GRPO强化学习继续探索。
论文图3：数据经过视频过滤、实体定位、问题生成、泄漏检查和正确轨迹筛选。
64%领先来自团队自建基准
Video-DeepResearch-35B-A3B在VideoDR-Bench取得64.0%平均准确率。论文对照中，Claude-4.5-Sonnet为59.0%，Gemini 2.5 Pro为57.5%，GPT-5为52.5%；较小的30B-A3B版本达到59.3%。
这些数字受工具实现、调用预算、提示词和裁判方式影响。基准只有200题，由同一研究项目构建，尚缺少独立复测。领先5个百分点不能写成对专有模型的通用能力超越。
论文验证的改进集中在任务流程：先固定视觉证据，再允许开放搜索。若视频很长、画面模糊或关键实体从未进入抽取帧，后续网页研究再充分也无法补回缺失观察。
