研究团队提出了Video-Browser，并构建了全新的基准测试Video-BrowseComp。
在当前的AI Research浪潮中，Autonomous Agents已经改变了我们获取信息的方式——从被动接收到主动检索。
然而，现有的Agent似乎都有一个共同的处理盲区：视频。
视频是互联网上信息密度最高的模态。但现有的AI要么是阅读理解高手（处理文本），要么只能盯着被喂到嘴边的一小段视频片段做问答。
真正的Agentic Video Browsing应该是什么样的？
它应该像人类一样：在海量视频中主动搜索，通过标题筛选，快速拖动进度条定位，最后只在关键时刻“全神贯注”地观看细节。
基于这个理念，研究团队提出了Video-Browser，并构建了全新的基准测试Video-BrowseComp。
为什么现在的Agent “看”不好视频？
在开放世界的视频搜索中，现有的方法面临着一个两难的困境（Modality Gap vs. Context Explosion）：
1. 直接视觉推理（Direct Visual Inference，e.g.，RAG）：简单粗暴地把视频帧流喂给MLLM。效果好，但贵到离谱。长视频会导致Context瞬间爆炸，不仅推理慢，还受限于上下文窗口。
2. 文本摘要（Summarization）：先把视频转成文本摘要，再让Agent读文本。省钱了，但细节丢了。很多视觉细节（如“那只笔是什么颜色的？”）无法被通用的文本摘要捕捉。
我们需要一种既能像文本搜索一样高效，又能像视觉推理一样精准的新范式。
方法：Video-Browser与Pyramidal Perception
为了解决上述问题，研究团队提出了一种名为Pyramidal Perception（金字塔感知）的架构。
正如其名，研究团队将视频处理过程看作一个金字塔，由底向上，层层递进，计算量逐级增加，但处理的数据量逐级减少。
整个Video-Browser Agent包含三个核心组件：Planner（规划器）、Watcher（观察者）和Analyst（分析师）。
其中最核心的Watcher采用了三层金字塔机制：
Stage I: Semantic Filter（语义过滤-塔底）
面对海量的搜索结果，不需要打开每一个视频。Agent首先利用LLM分析视频的元数据（标题、简介等），以“零视觉成本”快速剔除无关内容，只保留最有希望的候选者。
Stage II: Sparse Localization（稀疏定位-塔身）
对于入选的视频，不需要从头看到尾。Agent结合全量字幕和稀疏采样帧，快速扫描视频结构，定位出可能包含答案的时间窗口（Temporal Proposals）。
Stage III: Zoom-in（聚焦精读-塔尖）
这是最关键的一步。在锁定的极短时间窗口内，进行高帧率解码，调用强大的MLLM进行精细的视觉推理。将最昂贵的计算资源，只花在最有价值的几秒钟上。
基准测试：Video-BrowseComp
为了验证Agent的能力，研究团队发现现有的video benchmark往往陷入了被动感知的误区：给模型一段剪好的视频，问它里面发生了什么。
但这并不是真实的Agent。在真实世界中，Agent不会有人把视频喂到嘴边，它们必须像人类一样，在开放的互联网海洋中主动寻找线索。为了衡量这种真正的Agentic能力，研究团队构建了Video-BrowseComp。”
这是一个要求Agent必须具备Mandatory Video Dependency（强制视频依赖）的基准测试。其设计原则是：“Hard-to-Find，Easy-to-Verify”。
研究团队设计了三个难度等级：
Level 1 （显式检索）：有明确的关键词，考查定位能力。
Level 2 （隐式检索）：没有直接关键词，需要理解描述并进行推理。
Level 3 （多源推理）：最难级别。答案分散在多个视频中，需要Agent像侦探一样拼凑线索。
实验结果：更准，更省
研究团队在Video-BrowseComp上对比了GPT-5.2，Gemini-1.5-Pro等SOTA模型（包括Search-Augmented版本）。结果显示：
性能提升：Video-Browser （基于GPT-5.2）达到了26.19%的准确率，相比直接视觉推理基线提升了37.5%。
效率飞跃：得益于金字塔感知，研究团队的Token消耗降低了58.3%。
打破Deep Research垄断：研究团队的方法在视频任务上甚至优于OpenAI的o4-mini-deep-research，证明了在视频领域，高效的视觉感知策略的优异性。
Case Study：眼见为实
来看一个经典的例子（Benchmark Level 3）：
问题：在电影《白日梦想家》中，主角Walter Mitty胸口口袋里有一支笔贯穿全片，笔盖的出现暗示了他内心的渴望。请问这支笔是什么颜色的？
❌直接视觉推理（Direct Visual Inference）：看了所有帧，但由于信息过载，模型声称“没看到笔” 。
❌文本摘要（Summarization）：通过将电影转成文本，但文本中没有提到“笔的颜色”这种细节，模型回答“未提及” 。
✅Video-Browser （Ours）：成功定位到特写镜头，Zoom-in模式下清晰识别出了红色的笔盖，回答正确！
总结与展望
Video-Browser是迈向Agentic Open-web Video Browsing的重要一步。
研究团队通过模拟人类的认知过程——先浏览、再定位、后精读，成功解决了视频搜索中精度与成本的矛盾。
所有的代码、数据和Benchmark现已开源，研究团队希望该工作能为社区提供一个新的研究支点。
