Para peneliti memperkenalkan Video-DeepResearch (Video-DR), sebuah kerangka kerja yang memperluas agen multimodal dari gambar statis ke aliran video berkelanjutan, dengan mengatasi bias modalitas dan kebocoran pengetahuan parametrik. Sistem ini menggunakan pipa persepsi-penjelajahan yang terdekoupling dengan pembukaan alat bertahap untuk memaksakan penjangkaran visual lintas frame sebelum pengambilan web.

  • Pelatihan memanfaatkan fine-tuning tersupervisi diikuti oleh Group Relative Policy Optimization (GRPO) untuk memungkinkan penjelajahan otonom.
  • Sebuah benchmark baru, Video-DR-Bench, yang terdiri dari 200 instance VQA multi-hop kompleks, dikurasi untuk evaluasi.
  • Model Video-DeepResearch-35B-A3B mencapai akurasi rata-rata state-of-the-art sebesar 64.0% pada benchmark tersebut.
  • Kinerja ini melampaui Claude-4.5-Sonnet (59.0%), GPT-5 (52.5%), dan Gemini 2.5 Pro (57.5%).

Kerangka kerja ini menunjukkan bahwa paradigma pelatihannya efektif bahkan pada skala yang kompak, dengan varian 30B-A3B mencapai akurasi 59.3%.