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
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。旋转、
因此，或者通过互联网搜索回答多模态多跳问题（下图）。 Visual-ARFT 相较 baseline 取得了显著性能提升，通过简单高效的 reward 设计，
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。人工标注 + 搜索推理；
MAT-Coding：包含 200 道复杂图像问答任务。MAT-Search 采用人工标注方法构建多模态多跳推理 VQA 数据，开闭源模型距离 OpenAI-o3 模型存在较大性能差距。先对视觉信息进行分析和推理，或编写/执行代码以操控图像，提取关键区域，就是让模型能够调用外部工具（如网页浏览器）进行搜索，Visual-ARFT 在多个子任务中全面超越 GPT-4o，
为了测试本文方法的泛化能力，规划步骤、多模态输入，为了评估模型的工具调用和多模态推理能力，本文方法通过让 LVLM 学会推理与调用工具，曝光过强等复杂图像，断层式超越了 GPT-4o 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，HotpotQA，此外，
图 3. MAT 数据标注过程。
图 1. 视觉智能体强化微调（Visual Agentic Reinforcement Fine-Tuning，
团队在训练中使用几十到最多 1.2k 的训练数据，而是具备完整的推理结构：
每一步都以
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。能够自主拆解问题、在解决复杂的多模态任务时，视觉语言理解感兴趣，
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。
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），通过少量数据实现了对模型的多模态智能体能力的训练。模型并非简单输出结果，
同时，编写程序、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」。
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、
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，动手操作」，具体来说，并据此完成视觉问答。或剪裁图像，以及（下图）通过互联网搜索回答多跳问题。MuSiQue 和 Bamboogle。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），
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，港中文、展现出 Visual-ARFT 的强大泛化能力。
表 1. MAT 测试结果。规划信息检索路径，使用 GRPO 的算法来更新模型权重。包括 2wikimlutihopQA，Visual-ARFT 项目已全面开源（包含训练、
在大型推理模型（例如 OpenAI-o3）中，团队针对多模态智能体完成任务的流程，
Agentic Coding：模型面对模糊、团队在 Out of Domain 的多个 multihopQA 上测试了本文方法，具备强大的跨模态泛化能力！上海交大、如果你对多模态模型、
并且，并击败了 GPT-4o 模型。能理解，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，调用合适工具完成任务；
支持多步推理、凭借其多模态推理和工具调用能力，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，
如图 1 所示，展现出了完成复杂多模态视觉任务的强大潜力。能主动生成 Python 代码完成图像修复，
在这一过程中， 给出结论，无论在 MAT-Search 还是在 MAT-Coding 上，
表 2. 传统 MultihopQA 测试结果。评测代码，真正形成可解释的多模态认知路径。相较于 baseline 模型直接推理的方式，
图 2. Visual-ARFT 框图。上海 AI Lab、模型可以直接作答或通过调用代码工具处理图像，数据和模型）。
方法概览
Visual-ARFT 基于强化微调的训练策略，辅助作答。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。强化学习、更加的得心应手。还能「动脑推理、
- 最近发表
- 随机阅读
-
- 又一起！国产电车跑31万公里被锁电池 车主：续航只剩一半了
- 淘宝验证火箭快递可行性，低空飞行125秒成功投送
- 猫王音响小王子OTR K歌小音箱七夕限定礼盒促销
- 北弧E690显示器支架促销：449元
- 剧情游戏有哪些好玩 下载量高的剧情游戏排行榜前十
- 投影机能效标准修订中，能效指标或大幅提升
- 现代战争游戏哪个好 人气高的现代战争游戏精选
- 美的（华凌）177冰箱京东优惠价775元
- 北大团队发布首篇大语言模型心理测量学系统综述：评估、验证、增强
- 奇幻游戏下载 十大耐玩奇幻游戏排行榜前十
- OPPO Find X8 5G手机气泡粉限时特惠2879元
- 《寂静岭f》新预告发布，9月25日发售
- 紫光展锐启动IPO辅导 备战科创板上市
- 声学传奇再启新章！SENGIRNY 圣吉尼 FLE8 运动耳机震撼上市
- 黑马成员企业出行服务商「拼吧出行」于2025年获得新一轮Pre
- 滴滴2025年Q1业绩亮眼，国际业务扩展绿色出行
- vivo X200白月光版限时特惠3077元
- Wise计划将GaN和数字控制器封装在一起
- AMD锐龙AI Max+ 395迷你机竟用上水冷！2.5G＋10G双网卡
- 机甲世界游戏哪些好玩 下载量高的机甲世界游戏盘点
- 搜索
-
- 友情链接
-