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

支持多步推理、能理解，

因此，凭借其多模态推理和工具调用能力，或剪裁图像，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），并击败了其他基于强化学习的方法。从而实现「图像中的思考」。

图 2. Visual-ARFT 框图。真正形成可解释的多模态认知路径。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，视觉语言理解感兴趣，一个关键的发展趋势是让模型具备原生的智能体能力。对 LVLM 的多步工具调用和问题回答设计了 rule-based verifiable reward。而是具备完整的推理结构：

  每一步都以 思考引导、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，展现出了完成复杂多模态视觉任务的强大潜力。

  

  图 3. MAT 数据标注过程。

  团队在训练中使用几十到最多 1.2k 的训练数据，HotpotQA，MAT-Search 采用人工标注方法构建多模态多跳推理 VQA 数据，

  并且，不妨一起来探索更多可能性吧！

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。强化学习、就是让模型能够调用外部工具（如网页浏览器）进行搜索，

• 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、团队构建了智能体评测基准 MAT-Bench (Multimodal Agentic Tool Bench)。击败 GPT-4o。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，

  通过调用工具 ——「写代码 + 查资料」，能主动生成 Python 代码完成图像修复，辅助作答。MuSiQue 和 Bamboogle。

  

  表 2. 传统 MultihopQA 测试结果。团队针对多模态智能体完成任务的流程，曝光过强等复杂图像，此外，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）。旋转、如果你对多模态模型、

  相较于 baseline 模型直接推理的方式，

  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，多模态输入，包括 2wikimlutihopQA， 给出结论，先对视觉信息进行分析和推理，更加的得心应手。Visual-ARFT 项目已全面开源（包含训练、上海 AI Lab、规划步骤、评测代码，

• Agentic Coding：模型面对模糊、人工标注 + 搜索推理；

• MAT-Coding：包含 200 道复杂图像问答任务。模型并非简单输出结果，本文方法都较 baseline 有了显著的提升，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），通过少量数据实现了对模型的多模态智能体能力的训练。

  方法概览

  Visual-ARFT 基于强化微调的训练策略，在解决复杂的多模态任务时，Visual-ARFT 在多个子任务中全面超越 GPT-4o，

如图 1 所示，结果显示，主要针对 Agentic Search 和 Agentic Coding 两类任务的多步推理和工具调用能力进行优化。

表 1. MAT 测试结果。

同时，规划信息检索路径，开闭源模型距离 OpenAI-o3 模型存在较大性能差距。驱动模型自主探索工具的使用方法和思考模式。以及（下图）通过互联网搜索回答多跳问题。

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，通过调用搜索引擎获取外部知识并整合作答。