Video-DeepResearch：把深度研究代理带进视频流时代

2026年8月5日阅读约 2 分钟

导语

把多模态代理从“看图问答”推进到“看视频做深度研究”，并不是简单增加输入长度，而是要让模型真正学会在时间维度上追踪线索、跨帧验证事实，再决定何时调用外部搜索工具。Video-DeepResearch（Video-DR）讨论的正是这个问题。

先看后搜，抑制模态偏置：作者采用感知与探索解耦的流程，并通过分阶段工具解锁，强制模型先完成视觉 grounding，再进入网页检索。
减少“记忆代答”：在视频问答中，模型容易直接调用内部参数知识，而不是依赖真实工具链。Video-DR通过视频驱动的数据与任务设计，尽量让捷径失效。
SFT + GRPO 两阶段训练：先用监督微调建立基本行为，再用 Group Relative Policy Optimization 继续优化，使模型能自己发现更有效的工具使用策略，而不只是模仿示范。
自建 Video-DR-Bench：论文构建了一个包含 200 个复杂多跳 VQA 任务的人机协同基准，用来检验代理是否真的具备跨帧、跨步骤的研究能力。
结果具有可比性：文中给出的 Video-DeepResearch-35B-A3B 达到 64.0% 平均准确率，30B-A3B 版本为 59.3%，显示该训练范式在不同规模下都能工作。

Video-DR 的价值，不只在于“视频任务分数更高”，更在于它提出了一种面向视频流的代理范式：研究代理不应在一开始就把搜索当作默认答案，而应先用视觉证据建立事实基础，再决定是否上网补充信息。这个思路对长视频理解、视觉检索、复杂多跳问答都很有启发。

从更广的角度看，这篇工作也在提醒行业：真正有用的多模态代理，能力边界不只是模型参数有多大，还包括它是否能被训练成“会用工具、按步骤验证、减少投机”的系统。Video-DR 试图突破的，正是模仿学习带来的行为上限。