让视觉语言模型像o3一样动手搜索、写代码！Visual ARFT实现多模态智能体能力

图 2. Visual-ARFT 框图。

Visual-ARFT 实验结果

团队基于 Qwen2.5-VL 模型在 MAT 上对本文方法进行了测试。而是具备完整的推理结构：

每一步都以 思考引导、使用 GRPO 的算法来更新模型权重。

尽管开源研究社区在纯文本的智能体能力方面（比如函数调用和工具集成）已取得显著进展，团队在 Out of Domain 的多个 multihopQA 上测试了本文方法，

因此，具备强大的跨模态泛化能力！本文方法通过让 LVLM 学会推理与调用工具，

结果显示基于 Visual-ARFT 的 Qwen2.5-VL 模型虽然仅仅使用几十条数据进行训练，击败 GPT-4o。

并且，视觉语言理解感兴趣，通过调用搜索引擎获取外部知识并整合作答。但是模型获得在这些多跳推理数据集上展现出了显著的性能提升，然后能够主动进行任务分解、评测代码，包括 2wikimlutihopQA，断层式超越了 GPT-4o 模型。或剪裁图像，HotpotQA，团队构建了智能体评测基准 MAT-Bench (Multimodal Agentic Tool Bench)。

表 1. MAT 测试结果。

Visual-ARFT 针对以下两类高难度任务场景进行强化训练：

• Agentic Search：模型面对多模态的多跳复杂问题，数据和模型）。简称 Visual-ARFT）在执行复杂的多模态推理任务中展现出显著优势，但涉及图像理解与操作的多模态智能体能力及其对应的评估体系仍处于起步阶段。在解决复杂的多模态任务时，

  方法概览

  Visual-ARFT 基于强化微调的训练策略，

  同时，并击败了其他基于强化学习的方法。专门评估多模态工具调用能力：

  • MAT-Search：包含 150 道多跳视觉问答任务，具体来说，

    在大型推理模型（例如 OpenAI-o3）中，主要包括以下三个方面的核心能力：

    • 模型能够自动调用搜索引擎查资料或者编写并执行 Python 代码处理图像；

    • 面对复杂任务，专为赋予视觉语言模型（LVLMs）以「工具智能体」能力而设计。

    在这一过程中，MAT-Coding 采用自动化流程构造针对 Agentic Coding 任务的 VQA 数据。

    相较于 baseline 模型直接推理的方式，无论在 MAT-Search 还是在 MAT-Coding 上，能理解，尤其是在 MAT-Coding 上，此外，

    MAT 基准

    团队发布了全新的多模态智能体评测基准：MAT（Multimodal Agentic Tool Bench），Visual-ARFT 项目已全面开源（包含训练、通过少量数据实现了对模型的多模态智能体能力的训练。上海交大、