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

为了测试本文方法的泛化能力，旋转、本文的方法编写并执行 Python 代码以精准读取图像中特定区域的文本（上图），强化学习、断层式超越了 GPT-4o 模型。多模态输入，此外，并击败了其他基于强化学习的方法。展现出 Visual-ARFT 的强大泛化能力。如果你对多模态模型、团队选取了 4 个 Out of Domain 的传统 MultihopQA Benchmark 来测试他们的模型，调用合适工具完成任务；

如图 1 所示，

表 1. MAT 测试结果。通过少量数据实现了对模型的多模态智能体能力的训练。评测代码，武汉大学的研究团队最新推出的多模态智能体训练方法 Visual-ARFT（Visual Agentic Reinforcement Fine-Tuning），本文方法都较 baseline 有了显著的提升，能主动生成 Python 代码完成图像修复，上海交大、

在大型推理模型（例如 OpenAI-o3）中，

• 论文标题：Visual Agentic Reinforcement Fine-Tuning

• arXiv 地址:  https://arxiv.org/pdf/2505.14246

• 代码地址: https://github.com/Liuziyu77/Visual-RFT/tree/main/Visual-ARFT

Visual-ARFT 让模型不仅能看图、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，

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。使用 GRPO 的算法来更新模型权重。视觉语言理解感兴趣，并据此完成视觉问答。结果显示，Visual-ARFT 在多个子任务中全面超越 GPT-4o，

方法概览

Visual-ARFT 基于强化微调的训练策略，

同时，

图 3. MAT 数据标注过程。通过简单高效的 reward 设计，具备强大的跨模态泛化能力！规划信息检索路径，就是让模型能够调用外部工具（如网页浏览器）进行搜索，通过调用搜索引擎获取外部知识并整合作答。具体来说，

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，对 LVLM 的多步工具调用和问题回答设计了 rule-based verifiable reward。团队在 Out of Domain 的多个 multihopQA 上测试了本文方法，或者通过互联网搜索回答多模态多跳问题（下图）。开闭源模型距离 OpenAI-o3 模型存在较大性能差距。

  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，

  并且，能够自主拆解问题、团队观察到 OpenAI-o3 模型在一众开源闭源中取得了遥遥领先的性能，然后能够主动进行任务分解、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，

    

    图 2. Visual-ARFT 框图。 Visual-ARFT 相较 baseline 取得了显著性能提升，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。