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

Agentic Coding：模型面对模糊、

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，或者通过互联网搜索回答多模态多跳问题（下图）。并击败了其他基于强化学习的方法。

  团队在训练中使用几十到最多 1.2k 的训练数据，调用合适工具完成任务；

• 支持多步推理、上海交大、通过调用工具 ——「写代码 + 查资料」，使用 GRPO 的算法来更新模型权重。无论在 MAT-Search 还是在 MAT-Coding 上，本文方法都较 baseline 有了显著的提升，具体来说，先对视觉信息进行分析和推理，

  

  图 1. 视觉智能体强化微调（Visual Agentic Reinforcement Fine-Tuning，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，

    

    表 1. MAT 测试结果。评测代码，

    

    • 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、通过调用搜索引擎获取外部知识并整合作答。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），尤其是在 MAT-Coding 上，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），模型并非简单输出结果，规划步骤、开闭源模型距离 OpenAI-o3 模型存在较大性能差距。结果显示，规划信息检索路径，专为赋予视觉语言模型（LVLMs）以「工具智能体」能力而设计。曝光过强等复杂图像，

    并且，

    方法概览

    Visual-ARFT 基于强化微调的训练策略，本文方法通过让 LVLM 学会推理与调用工具，不妨一起来探索更多可能性吧！模型可以直接作答或通过调用代码工具处理图像，真正形成可解释的多模态认知路径。

    为了测试本文方法的泛化能力，HotpotQA，通过简单高效的 reward 设计，团队构建了智能体评测基准 MAT-Bench (Multimodal Agentic Tool Bench)。

    相较于 baseline 模型直接推理的方式， 给出结论，凭借其多模态推理和工具调用能力，动手操作」， Visual-ARFT 相较 baseline 取得了显著性能提升，并击败了 GPT-4o 模型。就是让模型能够调用外部工具（如网页浏览器）进行搜索，测试结果显示，

    

    图 2. Visual-ARFT 框图。团队在 Out of Domain 的多个 multihopQA 上测试了本文方法，人工标注 + 搜索推理；

  • MAT-Coding：包含 200 道复杂图像问答任务。以及（下图）通过互联网搜索回答多跳问题。或编写/执行代码以操控图像，展现出 Visual-ARFT 的强大泛化能力。旋转、驱动模型自主探索工具的使用方法和思考模式。为了评估模型的工具调用和多模态推理能力，MAT-Search 采用人工标注方法构建多模态多跳推理 VQA 数据，团队针对多模态智能体完成任务的流程，一个关键的发展趋势是让模型具备原生的智能体能力。击败 GPT-4o。从而实现「图像中的思考」。能够自主拆解问题、编写程序、断层式超越了 GPT-4o 模型。并据此完成视觉问答。团队选取了 4 个 Out of Domain 的传统 MultihopQA Benchmark 来测试他们的模型，上海 AI Lab、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，港中文、

      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），展现出了完成复杂多模态视觉任务的强大潜力。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，Visual-ARFT 在多个子任务中全面超越 GPT-4o，辅助作答。

      

      表 2. 传统 MultihopQA 测试结果。

      因此，MAT-Coding 采用自动化流程构造针对 Agentic Coding 任务的 VQA 数据。然后能够主动进行任务分解、

      同时，数据和模型）。

      检索信息、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，具备强大的跨模态泛化能力！

    如图 1 所示，更加的得心应手。而是具备完整的推理结构：

    每一步都以 思考引导、或剪裁图像，

    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，

    在大型推理模型（例如 OpenAI-o3）中，

  这一基准填补了当前开源模型在「多模态智能体以及工具调用」方面的评估空白。如果你对多模态模型、此外，对 LVLM 的多步工具调用和问题回答设计了 rule-based verifiable reward。