视频深度研究报告，最好的 agent 只拿 63.3 分

让 AI 看两小时视频再写一份研究报告，听起来已经是产品宣传里的标配功能。一篇 10 月下旬的论文给这类能力办了场统考，结果给宣传泼了盆冷水：连最好的配置都只能拿六成出头，而且输的地方很集中——不是看不懂，是证据链残缺。

先说清「视频深度研究」和「视频摘要」的差别。摘要只要复述内容，研究要回答问题：从声画两个渠道找证据、交叉验证、给出带出处的结论。这是 agent 能力的新考区。

一、发生了什么

据论文预印本（arXiv 2610.31158）及 AI 论文日报摘要，论文提出视频深度研究基准 OmniDR-Bench，标题直译过来是「不止于看和搜」。基准包含 50 个任务，覆盖中文和英文，分 19 个子类别；评分采用交互式报告加经审核的评分标准树，共 6414 条标准，粒度细到论断级别。论文据此评测了 18 种智能体配置，最好的成绩是 63.3 分（满分 100），离可用线还有明显距离。误差分析集中在四个环节：音画对齐与时间定位能力不足，多模态证据覆盖不全，因果分析欠缺，引用支撑薄弱。简单说，agent 倾向于把「看得到的内容」拼起来，但视频里真正起证据作用的声画细节经常被漏掉。

这个设计思路和传统选择题式评测拉开了距离：6414 条标准意味着每份报告被拆成上千个可独立判断的论断，蒙混不过去。中英双语的覆盖也提醒厂商，中文视频的处理能力要单独验证，别拿英文成绩想当然。

二、跟你有什么关系

做视频理解产品的团队：如果你的产品宣传「看视频写报告」，这份基准的四个失分点就是现成的自查清单。

内容审核、舆情分析等行业用户：依赖 AI 视频摘要的决策流程要留人工复核，63 分意味着关键证据可能整段缺失。

研究者：音画联合定位是被证明的普遍短板，做多模态检索和对齐方向的工作可以直接对准这里。

三、怎么用

1. 想测自己的 agent，去论文仓库取任务集和评分标准树，先跑英文子集对齐论文数字，再上中文任务看衰减程度。
2. 产品自查时优先验证音画对齐：抽几个「声音与画面不一致」的测试片段，看模型能不能指出矛盾，这是失分重灾区。
3. 引用环节强制要求附时间戳，没有时间戳的结论在视频场景一律视为未验证。

四、三个别信的说法

多模态模型看视频已经很行。 看懂单帧和完成带证据链的深度研究是两回事，前者是感知，后者要求跨时间段关联声画、交叉验证并落到可核查的结论上。

63.3 分说明快能用了。 反了，报告类任务 60 分意味着多数具体论断撑不住细看，评分标准树把每条论断都摊开打分，暴露的缺口比总分显示的更大。

换个更强的模型就能解决。 论文测了 18 种配置，短板集中在音画对齐和证据覆盖，这是数据和训练目标的问题，不是换旗舰模型就能抹平的。

五、一句话结论

视频深度研究的瓶颈已经从「看没看懂」转到「证据链全不全」，下一个突破口在声音和画面的对齐上。

信息来源

• AI 论文日报摘要（10 月 23 日）（2026-10-23）
• 论文预印本 arXiv 2610.31158（2026-10）

功能与价格以官方公告为准。本文写于 2026 年 10 月 24 日。