论文链接：Video-DeepResearch: Towards the Next-Generation Multimodal Deepresearch Agent HTML 全文：arxiv.org/html/2608.03979v1 代码仓库：github.com/Osilly/Vision-DeepResearch 发表时间：2026 年 8 月 核心作者：Zhen Fang, Yu Zeng, Wenxuan Huang, … Wanli Ouyang（上海 AI Lab）, Shaosheng Cao, Feng Zhao 等 20 位作者 领域标签：多模态智能体、视频深度研究、视觉定位、强化学习、Agent Harness
一、论文背景
1.1 从"Deep Research"到"Video Deep Research"：任务边界的跃迁
过去两年，“Deep Research”（深度研究）成为大模型应用最炙手可热的形态之一。它不再是单轮问答，而是一个会自主多步检索、交叉验证、综合成报告的智能体——典型的如各种联网搜索 Agent、代码调研 Agent。但这些能力几乎全部停留在纯文本或静态图像的世界里。
当我们把同样的范式搬到连续视频流上时，问题立即发生质变：
- 视频是时空密集的信号。要回答"这个视频里第 47 秒出现的男演员后来在哪部影片里拿了影帝"，Agent 不能只是"看完视频凭印象答"，它必须先定位到那一帧、裁剪出那个人脸、再去网络检索验证。这种"先看清、再查证"的过程，是图像 Deep Research 不曾面对的。
- 视频中的实体往往是长尾、动态、跨帧漂移的。一辆车从远到近，一个人从正面到侧脸，同一个实体在不同帧里的视觉表征差异巨大，单帧 grounding 的成功率会被严重稀释。
- 视频理解天然要求跨帧、跨实体、跨模态的多跳推理。这把任务从"感知"推向了"感知 + 探索"的复合体。
Video-DeepResearch 这篇论文，正是把多模态 Agent 的边界，从"给一张图去查"推进到"给一段视频去深入研究"。
1.2 两个被论文当场"抓包"的顽疾
论文没有上来就讲方法，而是先做了一个非常漂亮的诊断实验（Empirical Study）：把三个代表性模型丢到 VideoDR 基准上，仔细追踪它们到底调用了哪些工具。结果暴露了两个让整个领域都难堪的事实：
| 模型 | 准确率 | 视觉工具调用/任务 | 文本工具调用/任务 |
|---|---|---|---|
| Qwen3.5-35B-A3B | 41% | 0.04 | 0.58 |
| Qwen3.5-397B-A17B | 58% | 0.10 | 1.27 |
| GPT-5 | 57% | 0.00 | 0.12 |
顽疾一：模态偏见（Modality Bias）/ 视觉工具回避。即便是参数量高达 397B 的开源旗舰，平均每个任务也只调用 0.10 次视觉操作，却调用 1.27 次文本搜索。换句话说，Agent 嘴上说是"多模态"，身体却很诚实地绕开视觉工具、直接去 Google 关键词。它根本没有真正"看"视频。
顽疾二：参数知识泄露（Parametric Knowledge Leakage）。GPT-5 在几乎零工具调用（视觉 0.00、文本 0.12）的情况下，仍然拿到了 57% 的"竞争性"分数。这意味着——现有基准里大量问题，模型靠内部记忆就能蒙对，根本不需要真正去做工具增强的推理。这是一个评测层面的系统性缺陷：分数可能和"真正的视频理解"完全脱钩。
这两个顽疾合起来，构成了本文要解决的核心问题：如何让 Agent 真正去"看"，又如何让评测真正测出"看的能力"。
二、论文定位和关联工作
2.1 本文在研究脉络中的位置
Video-DeepResearch 处在三条主线的交汇处：
- 视觉语言模型（VLM）主线：从 CLIP、BLIP 到 Qwen-VL / Qwen3-VL / Qwen3.5 系列，把视觉感知能力内化进模型权重。这条线解决了"看懂"，但没解决"主动去看"。
- 工具增强 Agent 主线：以 Deep Research、ReAct、ToolFormer 为代表，让模型学会调用外部工具。这条线在文本领域成熟，但在视频领域几乎没有被系统性地训练过。
- 视频问答（VideoQA）评测主线：从 MVBench、MLVU、Video-MME 到 VideoDR。前几代基准多是"闭卷感知"——视频和问题一起给，直接答；而 VideoDR 类基准要求"开卷探索"——需要外部证据。
Video-DR 的独特定位是：第一条线提供基础模型，第二条线提供 Agent 范式，第三条线提供评测战场，它把三者耦合起来，提出了一套完整的"训练-评测"闭环。
2.2 最直接的关联工作
| 工作 | 关系 | 关键差异 |
|---|---|---|
| VideoSearcher [Gao 2026] | 最接近的同期工作，同样用 RL 训练视频 Deep Research Agent，提出 BiSPO 算法 | VideoSearcher 没有强制阶段化解耦，视觉与文本工具同时可用；Video-DR 用"工具解锁"硬性约束先视觉后网络 |
| RETOOL-VIDEO [Liu 2026] | 提出 134 个细粒度工具 + 递归 grounding 的视频 Agent | 工具空间极大但缺乏"模态偏见"的诊断与针对性训练；Video-DR 反其道——只定义少量核心工具，但用训练范式纠正偏见 |
| VideoMind [Liu 2025] | 角色化 Agent（planner/grounder/verifier/answerer）+ Chain-of-LoRA | 把不同能力拆到不同 LoRA，本质是"分工"；Video-DR 是"单模型 + 显式工具协议"，强调同一策略网络的能力内化 |
| VideoDR 基准 [Liu 2026] | 本文直接对标和重构的评测 | 原版 VideoDR 偏文本中心检索，丢弃了关键视觉信息；本文构造的 VideoDR-Bench 强制要求视觉 grounding 才能答对 |
| GRPO [DeepSeek] | 本文采用的 RL 算法基础 | 本文把 GRPO 从纯文本推理迁移到多模态 Agent 轨迹优化，并设计了格式违规梯度的下采样技巧 |
2.3 与顶级闭源模型的对照
论文最硬的对照对象是 2026 年上半年的三大闭源旗舰：
- Claude-4.5-Sonnet：以"扩展思考（Extended Thinking）“和 Constitution AI 著称，在 SWE-bench 等推理密集任务上长期领先，是本文 59.0% 的直接被超越对象。
- GPT-5：在 GPQA Diamond 等专家知识基准上第一，但正如本文诊断——它的分数高度依赖参数记忆，工具调用接近于零。
- Gemini 2.5 Pro：10M 上下文 + 强视频理解，是视频任务的传统强者。
Video-DR 的定位宣言可以一句话概括：不是靠更大的模型，而是靠"让模型真正学会用工具看视频"的训练范式，去打赢这些闭源旗舰。
三、问题定义
3.1 形式化：视频 Deep Research 是一个序贯决策过程
论文把任务严格定义为一个序贯决策过程（Sequential Decision-Making）。在第 i 步，Agent 基于历史轨迹生成动作：
$$a_i \sim \pi_\theta(a \mid \mathcal{H}_i), \quad \mathcal{H}_i = [Q, V, a_1, o_1, \dots, a_{i-1}, o_{i-1}]$$其中 $\pi_\theta$ 是多模态策略，$Q$ 是问题，$V$ 是视频，$o$ 是环境返回的观察。动作空间 $\mathcal{A}$ 被精心设计为：
$$\mathcal{A} = \{\texttt{Select\_Keyframe}, \texttt{Crop\_Search}, \texttt{Search}, \texttt{Visit}, \dots\}$$- 时间工具 Select_Keyframe：选择索引 $t \in \{1, \dots, T\}$，隔离出一帧 $v_t$。
- 空间工具 Crop_Search：在 $v_t$ 上用一个 bbox $B \in \mathbb{R}^4$ 裁剪目标实体，产出局部视觉上下文 $c_{vis} = \text{Crop}(v_t, B)$，供下游搜索使用。
- 网络工具 Search / Visit：标准 web 检索与网页蒸馏。
这套形式化的关键在于——视觉 grounding（Select_Keyframe + Crop_Search）是 web 探索的前置依赖，而不是可选项。这正是论文要强制的事情。
3.2 两个必须同时解决的目标
论文把问题拆成两个耦合目标：
- 评测目标（构造 VideoDR-Bench）：必须有一组不靠参数记忆就能蒙对的难题，否则任何方法改进都无法被可信度量。这意味着基准要主动过滤掉参数知识泄露的样本。
- 训练目标（构造 Video-DR 模型）：必须让模型从"回避视觉工具"转变为"主动穷举式视觉 grounding”，并且能自主探索而非机械模仿教师轨迹。
这两个目标缺一不可——没有好基准，训练改进看不出来；没有好训练，基准就只是个排行榜。
四、解决方案
Video-DR 的方案是一个完整闭环，可以拆成三个相互咬合的组件：数据合成 → 轨迹合成 → 两阶段训练。
4.1 VQA 数据合成管道（Phase I + II）
数据是整个方案的源头。论文设计了一条多阶段、抗泄露的 VQA 合成管道，最终产出 30K 高质量 VQA 对。
Step 0：多源视频过滤
- 来源既有既有视频数据集，也有 YouTube 流媒体。
- 两阶段过滤：规则过滤（丢弃超长视频）+ Agent 过滤（用 Qwen3.5-35B-A3B 评估内容复杂度，剔除信息量不足或过于简单的视频）。
Step 1：关键帧选择与视觉搜索
- 用 CLIP-ViT-L/14@336px 计算帧间相似度，相似度 > 0.8 的连续帧被丢弃（去冗余），每视频最多保留 20 帧关键帧。
- 用 Qwen3.5-397B-A17B 在关键帧上预测 bbox 并定位实体，再用 Qwen3.5-35B-A3B 做语义对齐验证。
- 产出元数据四元组：$\langle v_t, B, \text{entity\_name}, \text{search\_summary} \rangle$。
Step 2：VQA 生成与抗泄露过滤（关键创新）
- 两种生成模式：单实体模式（事实性问题）和多实体模式（跨实体组合推理）。
- 参数泄露过滤是这里的灵魂：对每个生成问题执行 4 次无工具 rollout，如果 Agent 在任何一次尝试中答对，该实例被永久丢弃。这从源头保证了——留下来的题目，模型不调用工具就答不对。
这条过滤策略与第三部分诊断的"参数知识泄露"问题直接对应，是从数据侧对评测缺陷的根治。
4.2 解耦感知-探索管道（Phase III）：阶段式工具解锁
这是论文方法侧最具识别度的设计。论文没有让 Agent 自由选择工具，而是硬性规定执行阶段：
阶段 1：纯视觉感知（强制穷举）
├── 可用工具：Select_Keyframe, Crop_Search
├── 目标：强制跨帧、跨实体的视觉 grounding
└── 终止：视觉上下文充足 OR 达到最大感知深度
阶段 2：网络探索（条件解锁）
├── 扩展工具：Search, Visit
├── 目标：基于视觉证据进行网络检索
└── 最终：生成答案
这个设计的精髓在于——工具集合是动态解锁的，而不是一开始就全开放的。为什么这么做？因为论文诊断发现，一旦视觉和网络工具同时可用，Agent 会系统性地直接跳到网络工具，完全绕过视觉 grounding。阶段式解锁强制 Agent 必须先把视觉证据拿到手，才能进入 web 探索阶段，从机制上消除了"捷径"。
用 Qwen3.5-397B-A17B 作为教师生成轨迹，应用拒绝采样（rejection sampling）只保留成功解决的轨迹，最终得到 7K 高质量视频 DR 轨迹。
4.3 两阶段训练：SFT + GRPO
4.3.1 基座模型选择
| 变体 | 基座 | 激活参数 |
|---|---|---|
| Video-DR-30B-A3B | Qwen3-VL-30B-A3B-Instruct | 3B |
| Video-DR-35B-A3B | Qwen3.5-35B-A3B | 3B |
两者都是 MoE 架构，激活参数仅 3B——这一点至关重要，后面解释 35B 为什么能赢 Claude-4.5-Sonnet 时会用到。
4.3.2 第一阶段：监督微调（SFT）
训练数据组成：
- 7K 视觉 DR 轨迹（来自 4.2 节）
- 7K 纯文本 QA 实例（来自 VDR 数据集）
- 合计 14K 混合数据
为什么要在视觉数据里掺文本数据？这不是拍脑袋。论文的诊断指出，模态偏见的根源在于——模型对"工具调用"这件事本身的先验，主要来自文本预训练语料。注入文本 DR 数据，可以让模型把"主动调用工具去探索"这个行为模式从文本域迁移到视觉域。消融实验会证明这一步贡献了 +3.8% 的提升。
SFT 目标就是标准的负对数似然：
$$\mathcal{L}_{\text{SFT}} = -\mathbb{E}_{(x,y) \sim \mathcal{D}}\left[\sum_{i=1}^{|y|} \log \pi_\theta(y_i \mid x, y_{- 硬件：44 节点 × 8 × 80GB GPU（共 352 张 GPU）
- 框架：Megatron-LM
- 上下文长度：80,000 tokens（视频 Agent 必须的长上下文）
- 并行：TP=4, CP=2, EP=8, SP 启用
- 3 个 epoch，全局 batch 64，学习率 warmup 到 1e-5 再衰减到 5e-7
4.3.3 第二阶段：GRPO 强化学习
SFT 只是模仿教师， ceiling 被教师轨迹锁死。要真正"自主探索"，必须上 RL。
RL 数据构造的精髓——难度过滤：
- 对每个轨迹执行 4 次 rollout
- 只保留 Pass@4 分数严格在 0 和 1 之间的实例（即有时对有时错的"中等难度"样本）
- 全对或全错的样本被剔除——前者太简单学不到东西，后者太难无法提供有效梯度
- 最终得到 2K 中等难度 RL 数据集
奖励设计：
- 稀疏二值奖励：$r=1$（答案正确）或 $r=0$（错误）
- 正确性判断由 Qwen3-VL-30B-A3B-Instruct 担任"裁判模型"
- 一个关键的工程技巧：对格式违规（format violation）的负梯度，以 20% 概率下采样。这避免了 RL 早期模型格式不稳时，格式惩罚淹没正确性信号。
GRPO 目标函数：
$$\mathcal{L}_{\text{GRPO}} = \frac{1}{G}\sum_{i=1}^{G}\left[\min\left(\frac{\pi_\theta(o_i)}{\pi_{\text{old}}(o_i)}\hat{A}_i, \text{clip}\left(\frac{\pi_\theta(o_i)}{\pi_{\text{old}}(o_i)}, 1-\epsilon, 1+\epsilon\right)\hat{A}_i\right)\right] - \beta\mathbb{D}_{\text{KL}}$$4.4 VideoDR-Bench：抗泄露的人类-AI 协作基准
最后是评测侧。VideoDR-Bench 是一个 200 条多跳 VQA 的精标基准，设计极其考究：
基本构成：
- 8 名专业标注员，约 3 周标注周期，人类-AI 协作
- 6 大领域分布：Knowledge 29.5%、Entertainment 22.0%、Daily Life 18.5%、Game & Sports 14.5%、News 12.0%、Others 3.5%
- 视频时长分布：短视频（≤2 分钟）46%、中视频（2-10 分钟）34%、长视频（≥10 分钟）20%——长视频占比不低，保证了时间定位的挑战性
标注流程的精髓：标注员必须在关键时间戳暂停视频，亲自用 Crop_Search 工具查询显著视觉实体，严格验证检索的外部证据与原始帧一致后，才基于验证结果制定种子 VQA。这保证了——每个问题的"标准答案路径"都必须经过视觉 grounding。
多代理合成阶段：
Drafting Agent（头脑风暴扩展种子 VQA）
↓
搜索引擎查询（检索网络上下文）
↓
QA Generation Agent（制定多跳推理问题）
↓
参数泄露过滤（淘汰无工具可答的题）
↓
人工验证（答案性验证）
↓
Ranking Agent（评分保留最高质量实例）
↓
可递归作为新种子，实现迭代复杂化
这个流程最重要的设计是**“可递归作为新种子”**——它让题目的复杂度可以迭代堆叠，从而构造出真正需要多跳推理才能解决的难题。
五、实验与评估
5.1 主结果：刷新 SOTA
下表是论文最核心的结果（表 3，按领域拆分）：
| 模型 | VideoDR | KNL | ENT | DLY | G&S | NWS | OTH | Bench 总 | 平均 |
|---|---|---|---|---|---|---|---|---|---|
| 闭源 | |||||||||
| Gemini 2.5 Pro | 62.0 | 54.2 | 52.3 | 51.4 | 51.7 | 54.2 | 57.1 | 53.0 | 57.5 |
| GPT-5 | 57.0 | 50.8 | 45.5 | 48.6 | 48.3 | 45.8 | 42.9 | 48.0 | 52.5 |
| Claude-4.5-Sonnet | 63.0 | 55.9 | 54.5 | 54.1 | 58.6 | 54.2 | 42.9 | 55.0 | 59.0 |
| 开源基座 | |||||||||
| Qwen3.5-397B-A13B | 58.0 | 49.2 | 61.4 | 40.5 | 55.2 | 29.2 | 14.3 | 47.5 | 52.8 |
| Qwen3-VL-30B-A3B-Instruct | 38.0 | 44.1 | 43.2 | 35.1 | 51.7 | 41.7 | 42.9 | 43.0 | 40.5 |
| Video-DR-30B-A3B（本文） | 62.0 | 62.7 | 61.4 | 40.5 | 58.6 | 58.3 | 42.9 | 56.5 | 59.3 |
| 相对基座提升 | +24.0 | +18.6 | +18.2 | +5.4 | +6.9 | +16.6 | 0.0 | +13.5 | +18.8 |
| Qwen3.5-35B-A3B（基座） | 42.0 | 45.8 | 50.0 | 40.5 | 44.8 | 33.3 | 28.6 | 43.5 | 42.8 |
| Video-DR-35B-A3B（本文） | 68.0 | 66.1 | 65.9 | 56.8 | 62.1 | 41.7 | 42.9 | 60.0 | 64.0 |
| 相对基座提升 | +26.0 | +20.3 | +15.9 | +16.3 | +17.3 | +8.4 | +14.3 | +16.5 | +21.2 |
三个核心结论：
- Video-DR-35B-A3B 以 64.0% 创下新 SOTA，超越 Claude-4.5-Sonnet（59.0%）5.0 个百分点，超越 GPT-5（52.5%）11.5 个百分点，超越 Gemini 2.5 Pro（57.5%）6.5 个百分点。在 VideoDR 主基准上更是达到 68.0%，是所有模型中最高。
- Video-DR-30B-A3B 达到 59.3%，与 Claude-4.5-Sonnet 持平，证明这套训练范式在紧凑规模下依然有效。
- 相对基座的提升幅度惊人：30B 变体 +18.8%，35B 变体 +21.2%。这说明基座模型本身的能力远未被释放——是训练范式，而不是模型规模，决定了上限。
5.2 工具使用分析：从"不看"到"主动看"
下表（表 4）直接印证了论文诊断的顽疾被治愈：
| 模型 | VideoDR 视觉 | VideoDR 文本 | Bench 视觉 | Bench 文本 |
|---|---|---|---|---|
| Claude-4.5-Sonnet | 1.83 | 3.38 | 2.25 | 3.24 |
| GPT-5 | 0.00 | 0.12 | 0.31 | 1.43 |
| Gemini 2.5 Pro | 0.31 | 0.84 | 1.93 | 2.07 |
| Qwen3.5-35B（基座） | 0.04 | 0.58 | 0.20 | 0.70 |
| Qwen3.5-397B（基座） | 0.10 | 1.27 | 0.04 | 2.77 |
| Video-DR-30B（本文） | 2.33 | 4.24 | 2.98 | 3.81 |
最震撼的对比：基座 Qwen3.5-397B 每任务视觉工具调用 0.10 次，经过 Video-DR 训练后的 30B 模型达到 2.33 次——23 倍增长。一个 30B 的"小学生"在视觉工具使用上，完爆了 397B 的"大学生"基座。这证明了论文的核心论点：模态偏见不是架构限制，而是训练数据分布的假象，可以通过训练范式纠正。
同时，GPT-5 在 VideoDR 上视觉调用为 0.00——它根本没在看视频，却在 VideoDR 上拿到 57% 分数。这正是参数知识泄露的直接证据。而 VideoDR-Bench 成功把它逼到了 0.31 次视觉调用——基准的抗泄露设计起了作用。
5.3 消融研究：每个组件的贡献
在 Video-DR-30B 上的渐进式消融（表 5）：
| 配置 | VideoDR | Bench | 平均 | 增量 |
|---|---|---|---|---|
| Base | 38.0 | 43.0 | 40.5 | — |
| 4K-SFT | 44.0 | 48.0 | 46.0 | +5.5 |
| 7K-SFT | 55.0 | 51.0 | 53.0 | +7.0 |
| 7K-SFT + 7K-text-SFT | 59.0 | 54.5 | 56.8 | +3.8 |
| 14K-SFT + 2K-RL | 62.0 | 56.5 | 59.3 | +2.5 |
逐项解读：
- 视觉 SFT（Base → 7K-SFT）贡献 +12.5%：4K 轨迹立即带来 +5.5%，扩展到 7K 进一步推到 +12.5%。这是整个方案的基础——没有视觉 grounding 轨迹，后面的所有改进都无从谈起。值得注意的是，VideoDR-Bench 的改善（51.0% vs 43.0%）比 VideoDR 更显著，说明视觉 grounding 的泛化性很强。
- 文本增强 SFT（+7K-text-SFT）贡献 +3.8%：这一步印证了论文的关键假设——注入文本 DR 数据可以跨模态迁移，强化"主动调用工具"的行为先验，从而间接提升视觉 grounding 表现。这是一个反直觉但极具启发性的发现：要让模型学会用视觉工具，反而要先教它用文本工具。
- GRPO 强化学习（+2K-RL）贡献 +2.5%：RL 把模型从"模仿教师"推向"自主探索"。对 VideoDR-Bench 的改善（+2.0%）尤其说明泛化性——RL 学到的是策略本身，而不是特定轨迹。
论文总结得非常到位：Video-DR 的能力来自视觉 grounding、文本探索技能、自主探索三者的协同组合，任何一个组件单独使用都达不到最优，完整管道是实现 SOTA 的必要条件。
六、机制解释：为什么 35B 能赢 Claude-4.5-Sonnet
这是本文最值得深挖的部分。一个激活参数仅 3B、总参数 35B 的开源模型，凭什么在视频 Deep Research 任务上反超参数量大得多的 Claude-4.5-Sonnet？这不是玄学，而是有清晰的机制因果。
6.1 原因一：闭源旗舰的"视觉工具回避"是训练缺陷，不是能力上限
从表 4 可以看到，Claude-4.5-Sonnet 在 VideoDR 上视觉工具调用 1.83 次，已经是闭源模型里最"勤快"的，但仍然明显低于 Video-DR-30B 的 2.33 次。而 GPT-5 的视觉调用是 0.00——它根本不在看。
为什么会这样？因为闭源模型的 RLHF / 后训练数据里，“主动调用视觉定位工具"这种行为几乎从未被正向强化过。 这些模型在通用对话、代码、文本推理场景下被训练，它们的行为先验是"用脑子想，用文字答”。当它们被丢到视频 Agent 场景时，默认行为就是——绕开视觉工具，直接用文本搜索，甚至直接用内部记忆蒙。
Video-DR 通过 14K SFT + 2K RL，把"主动穷举式视觉 grounding"这种行为模式直接写进了模型的策略分布。它不是比 Claude 更聪明，而是它被专门训练成了"会看视频的 Agent"。
6.2 原因二：阶段式工具解锁强制了正确的因果链
Claude-4.5-Sonnet 可以同时调用所有工具——这看似自由，实则是灾难。因为模型一旦发现"直接 Search 关键词"这条路在部分题目上能蒙对，它就会系统性地走这条捷径，永远学不会先 grounding 再探索。
Video-DR 的阶段式解锁从机制上消除了这条捷径。模型必须先用 Select_Keyframe 和 Crop_Search 把视觉证据拿到手，工具集才会扩展到 Search 和 Visit。这强制建立了一条正确的因果链：
问题 → 定位关键帧 → 裁剪实体 → 视觉证据 → 网络检索 → 交叉验证 → 答案
而闭源旗舰走的是：
问题 → 直接 Search 关键词 → 猜答案（捷径，失败率高）
这条捷径在简单题上能用，但在 VideoDR-Bench 这种抗泄露的多跳难题上必然崩盘——因为答案的关键信息藏在视频某一帧的某个角落里，不定位就找不到。
6.3 原因三：抗泄露基准让"记忆"失效，让"真正的 grounding"得分
GPT-5 在 VideoDR 上零工具调用却拿 57%，是参数知识泄露的铁证。但 VideoDR-Bench 经过了4 次无工具 rollout 的抗泄露过滤——任何能被模型靠记忆答对的题，都被永久剔除了。
这意味着——在 VideoDR-Bench 上，参数记忆这条捷径被彻底堵死。所有模型必须真正去做 grounding + 探索才能得分。而 Video-DR 是唯一一个被系统性训练过去走这条"正路"的模型。Claude-4.5-Sonnet 虽然也部分走正路（视觉调用 1.83 次），但它的"走正路"能力是从通用能力泛化来的，没有被专门强化；Video-DR 则是用 7K 专门合成的 grounding 轨迹 + 2K RL 策略优化硬生生训出来的。
6.4 原因四：MoE 架构的工具调用密度优势
最后是一个架构层面的原因。Video-DR-35B 基于 Qwen3.5-35B-A3B，是 MoE 架构，激活参数仅 3B。MoE 的特性是——稀疏激活让模型在长轨迹、多工具调用场景下的推理成本极低。
视频 DR 任务的特点恰恰是长轨迹、多工具、长上下文（80K tokens）。在 such 场景下，稠密大模型每一步都要激活全部参数，成本极高；而 MoE 每步只激活 3B，可以负担得起 5-10 步的多工具调用轨迹。这给了 Video-DR 一个隐性的"轨迹深度优势"——它能 afford 走更深的 grounding-探索链，而闭源旗舰在同样的成本预算下，轨迹会更短。
6.5 一句话总结
Video-DR-35B 赢 Claude-4.5-Sonnet，不是赢在"更聪明"，而是赢在"被专门训练过去做正确的因果推理链"——阶段式解锁强制了正确的工具调用顺序，抗泄露基准堵死了记忆捷径，14K SFT + 2K RL 把"主动视觉 grounding"写进了策略分布，MoE 架构让长轨迹调用变得可负担。这四者合起来，让一个 3B 激活参数的模型，在视频 DR 这个特定战场上，打赢了体量大得多的通用旗舰。
七、知识反推：从结果倒推论文的核心洞察
读完这篇论文，我们不仅可以总结作者说了什么，还可以倒推一些作者没有明说、但可以从结果中推断出的深层洞察。
7.1 洞察一：模态偏见是"训练分布病"，不是"架构病"
这是本文最重要的反直觉发现。业界长期默认——视觉语言模型"不愿意用视觉工具"是因为某种架构瓶颈。但本文用铁证反驳：只需 14K SFT + 2K RL，一个 30B 模型的视觉工具调用就从 0.10 次飙升到 2.33 次。 模态偏见的根源是预训练语料里"工具调用 = 文本搜索"的分布偏置，一旦用专门的 grounding 轨迹去纠正，偏见就消失了。
这对整个 VLM 领域都是个重要启示：很多被认为是"能力上限"的问题，其实是"训练分布病"，可以用相对小规模的对齐数据根治。
7.2 洞察二：“被动回忆"和"主动验证"是两种不同的认知模式
GPT-5 的零工具调用 + 57% 准确率，揭示了一个深层问题：当前大多数 VLM 评测，测的是"被动回忆”，而不是"主动验证"。 一个模型可以完全不"看"视频，靠内部记忆拿到看似不错的分数。
Video-DR 的阶段式解锁 + 抗泄露基准，本质上是在强制模型从"被动回忆"切换到"主动验证"。这两种模式的分野，可能比"参数量大小"更能解释模型在真实任务上的表现差异。这也是为什么——在 VideoDR-Bench 这种强制主动验证的基准上，参数量大得多的 GPT-5 反而输给了 35B 的 Video-DR。
7.3 洞察三：RL 的价值不在"更聪明"，而在"打破模仿上限"
消融实验显示，GRPO 只贡献了 +2.5% 的提升，看似不如 SFT 的 +12.5% 醒目。但这 +2.5% 的价值远超数字本身——它代表了模型从"模仿教师"到"自主探索"的质变。
SFT 的上限被教师轨迹锁死——教师做不到的，学生永远学不到。GRPO 的真正价值是让模型探索到教师从未走过的轨迹，从而突破模仿学习的天花板。这个 +2.5% 是"新大陆"，而不是"已知领土的优化"。
7.4 洞察四：基准和模型必须协同进化
本文最值得借鉴的方法论是——它没有只造模型，也没有只造基准，而是同时重构了两者，并让它们相互咬合。 VideoDR-Bench 的抗泄露设计保证了模型改进可被可信度量；Video-DR 的训练范式针对的正是基准暴露出的缺陷。这种"模型-基准协同进化"的思路，对整个 Agent 评测领域都有示范价值。
八、可迁移的通用启发
抛开视频 Deep Research 这个具体任务，这篇论文对更广泛的 AI 研究和工程实践有哪些可迁移的启发？
8.1 启发一：诊断先于方案
论文最漂亮的地方不是方法，而是开篇那个诊断实验。它用三行表格，把"模态偏见"和"参数知识泄露"这两个行业级顽疾当场抓包。没有这个诊断，后面所有的设计都失去意义——因为你不知道病在哪，开什么药都是撞大运。
这对工程实践的启发是：在动手优化之前，先用最简洁的探针实验把问题的根因定位清楚。 一个好诊断胜过十个方案。
8.2 启发二：约束即设计
阶段式工具解锁是"约束即设计"的典范。直觉上，给模型更多自由（同时开放所有工具）似乎更好；但实际上，有约束的搜索空间反而能学到更好的策略。这与 curriculum learning、阶段性课程设计的思想一脉相承。
对 Agent 设计的启发是：不要急着把所有工具一次性全开放，想想能不能用"解锁机制"强制模型先掌握基础能力。
8.3 启发三：跨模态迁移可以治"同模态病"
论文最反直觉的发现是——给视觉模型掺文本 DR 数据，反而提升了视觉工具调用。这是因为"主动调用工具探索"这个行为先验，是跨模态可迁移的。
这对多模态训练的启发是：当一个模态的能力上不去时，试试用另一个模态的对齐数据去"激活"它。 行为先验的迁移，往往比知识本身的迁移更有效。
8.4 启发四：难度过滤是 RL 数据的王道
GRPO 阶段只保留 Pass@4 严格在 (0, 1) 之间的"中等难度"样本，这个细节极其关键。全对的样本没有梯度信号，全错的样本梯度噪声过大——只有"有时对有时错"的样本，才是 RL 真正能学的东西。
这对所有 RL 训练的启发是：RL 数据的质量不在多，在"难度刚好"。 与其堆 10K 全对全错的样本，不如精心筛 2K 中等难度的样本。
8.5 启发五：小模型 + 专门训练 > 大模型 + 通用训练
Video-DR-30B 追平 Claude-4.5-Sonnet，Video-DR-35B 反超之。这个结果对整个行业的启示是——在垂直 Agent 场景下，“小模型 + 针对性训练范式"可以打赢"大模型 + 通用训练”。
这意味着，Agent 时代的竞争壁垒，正在从"参数规模"转向"训练范式 + 数据合成 + Harness 设计"。这是中小团队的机会——你不需要炼万亿参数，你需要的是一套精巧的训练-评测闭环。
8.6 启发六：评测的抗污染要从数据源头做起
VideoDR-Bench 的"4 次无工具 rollout 过滤"是一个极其朴素但极其有效的设计。它从数据源头把所有"不靠工具就能答对"的题都剔除了。这与 WorkBuddy Bench 的抗污染思路异曲同工——污染不是事后修补的，是构造时就该杜绝的。
对所有 benchmark 构造者的启发是：与其纠结事后检测污染，不如在设计时就内置抗污染机制。
九、总结
Video-DeepResearch 这篇论文做了一件非常完整的事：
- 诊断：用简洁实验抓出当前多模态 Agent 的两大顽疾——模态偏见与参数知识泄露。
- 方案：用"解耦感知-探索 + 阶段式工具解锁 + SFT+GRPO"三件套，系统性地根治了顽疾。
- 评测：构造了 VideoDR-Bench 这个抗泄露基准，让真正的视频理解能力可被可信度量。
- 结果：35B-A3B 模型以 64.0% 超越所有闭源旗舰，30B 变体追平 Claude-4.5-Sonnet，证明"训练范式 > 模型规模"。
它最深远的意义不在于那个 64.0% 的分数，而在于它清晰地向社区传递了一个信号：多模态 Agent 的下一个前沿，不是把模型做得更大，而是让模型真正学会"主动去看、主动去查、主动去验证"。 当评测基准不再允许模型靠记忆蒙混过关，当训练范式不再让模型回避视觉工具，多模态 Agent 才真正从"被动的图像描述器"走向"主动的视频研究者"。
这是一个范式转移的起点。