0.1次。我前两天刷到一段老视频，想查清里头那人是谁、演过啥，自己截图搜了半天。最新研究甩出个扎心数字：现在的AI看视频也这德行——平均每道题只调用0.1次「看画面」的工具，剩下全靠文字瞎猜。

中科大刚拉着小红书、清华、牛津等几家搞出个「视频深度研究」智能体，思路就是逼AI像人一样：先定格画面、再上网查、最后综合判断。可现实是，连GPT-5到顶尖开源模型，基本闭着眼拿文字去搜，答案多半靠蒙，根本没正眼「看」视频。

说真的，这能力离你手机里的AI助理还远。但你想想，以后刷到看不懂的视频，能直接甩给AI「这谁、啥来头」，它真去查而不是编，才算真省心。你刷视频遇到认不出的脸，一般咋办？评论区聊聊，我看看多少人跟我一样懒得搜直接划走。