Watching, Reasoning, and Searching：针对智能体视频推理的开放网络视频深度研究基准

在现实世界的视频问答场景中，视频通常仅提供局部视觉线索，而可验证的答案则分布在开放网络中；因此，模型需要协同执行跨帧线索提取、迭代检索以及基于多步推理的验证。为了填补这一空白，我们构建了首个视频深度研究基准 VideoDR。VideoDR 聚焦于以视频为条件的开放域视频问答，要求进行跨帧视觉锚点提取、交互式网络检索以及基于视频与网络联合证据的多步推理；通过严格的人工标注和质量控制，我们获得了涵盖六个语义领域的的高质量视频深度研究样本。我们在工作流（Workflow）和智能体（Agentic）范式下评估了多个闭源和开源多模态大语言模型，结果显示 Agentic 并不总是优于 Workflow：其增益取决于模型在长检索链中维持初始视频锚点的能力。进一步分析表明，目标漂移和长程一致性是核心瓶颈。总之，VideoDR 为研究开放网络设置下的视频智能体提供了系统性基准，并揭示了新一代视频深度研究智能体面临的关键挑战。