Watching, Reasoning and Searching: A Video Deep Research Benchmark on Open Web for Agentic Video Rea

文章主要内容与创新点总结

一、主要内容

1. 研究背景：现有多模态评估中，视频推理存在两大局限——要么仅依赖视频内封闭证据，无需结合开放网络信息；要么深度研究基准以文本查询为核心，视觉内容仅作为辅助信息，未充分考虑视频作为关键线索引导开放网络多跳推理的真实场景需求。
2. 核心任务定义：提出“视频深度研究（Video Deep Research）”任务，要求模型以视频为条件，完成开放域事实性问答：需从视频多帧中提取视觉锚点，通过交互式网络检索获取候选证据，并在视频与网络联合证据空间中进行多跳推理，输出可验证答案。
3. 数据集构建（VideoDR Benchmark）：
   • 经过严格的人工标注与质量控制，最终形成100个样本，涵盖日常生活、经济、科技、文化、历史、地理6个语义领域。
   • 样本需满足“双依赖”：无法仅通过视频或仅通过网络搜索单独回答，必须结合两者证据。
   • 按人类成功率划分为低、中、高三个难度等级，视频时长呈长尾分布，问题表述简洁（平均25.54个token）。
4. 实验设计与结果：
   • 评估了6个主流多模态模型（含闭源模型如GPT-4o、Gem