别再让AI“只看不搜”，真正解决问题需要它自己去查资料

背景：现有的多模态模型在视频问答任务中通常局限于视频内容本身，缺乏结合外部信息进行深度推理的能力，这与人类“观看-搜索-综合”的真实问题解决模式存在差距。研究目的：为了评估AI模型结合视频线索与网络搜索进行多跳推理的能力，研究团队推出了首个视频深度研究评测基准VideoDR，旨在推动能进行开放网络深度研究的智能视频代理的发展。结论：评测显示，Gemini-3-pro-preview和GPT-5.2等闭源模型表现领先，但“端到端”的代理模式并非万能，在长视频或复杂任务中易出现目标漂移和记忆衰退；工作流模式因具有显式中间文本作为外部记忆而展现出优势。未来的视频智能体需在保持长程视觉一致性上取得突破。