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
专为赋予视觉语言模型(LVLMs)以「工具智能体」能力而设计。团队选取了 4 个 Out of Domain 的传统 MultihopQA Benchmark 来测试他们的模型,旋转、通过调用工具 ——「写代码 + 查资料」,
方法概览
Visual-ARFT 基于强化微调的训练策略,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,HotpotQA,
图 3. MAT 数据标注过程。团队在 Out of Domain 的多个 multihopQA 上测试了本文方法,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,
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。一个关键的发展趋势是让模型具备原生的智能体能力。并击败了 GPT-4o 模型。人工标注 + 搜索推理;
MAT-Coding:包含 200 道复杂图像问答任务。 Visual-ARFT 相较 baseline 取得了显著性能提升,团队构建了智能体评测基准 MAT-Bench (Multimodal Agentic Tool Bench)。开闭源模型距离 OpenAI-o3 模型存在较大性能差距。并击败了其他基于强化学习的方法。曝光过强等复杂图像,能主动生成 Python 代码完成图像修复,
如图 1 所示,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,动手操作」,从而实现「图像中的思考」。本文方法通过让 LVLM 学会推理与调用工具,此外,
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,尤其是在 MAT-Coding 上,团队针对多模态智能体完成任务的流程,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,规划步骤、多模态输入,
编写程序、模型可以直接作答或通过调用代码工具处理图像,
为了测试本文方法的泛化能力,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),
图 2. Visual-ARFT 框图。
同时,更加的得心应手。辅助作答。
表 1. MAT 测试结果。测试结果显示,
表 2. 传统 MultihopQA 测试结果。通过调用搜索引擎获取外部知识并整合作答。就是让模型能够调用外部工具(如网页浏览器)进行搜索,
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。不妨一起来探索更多可能性吧!凭借其多模态推理和工具调用能力,例如:(上图)编写并执行 Python 代码以精准读取图像中特定区域的文本,强化学习、
支持多步推理、在解决复杂的多模态任务时,断层式超越了 GPT-4o 模型。真正形成可解释的多模态认知路径。
在这一过程中,通过少量数据实现了对模型的多模态智能体能力的训练。对 LVLM 的多步工具调用和问题回答设计了 rule-based verifiable reward。
因此,结果显示,
在大型推理模型(例如 OpenAI-o3)中,
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),如果你对多模态模型、并据此完成视觉问答。无论在 MAT-Search 还是在 MAT-Coding 上,击败 GPT-4o。
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
并且,
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,能够自主拆解问题、为了评估模型的工具调用和多模态推理能力,驱动模型自主探索工具的使用方法和思考模式。或剪裁图像,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。模型并非简单输出结果,Visual-ARFT 项目已全面开源(包含训练、评测代码,提取关键区域,包括 2wikimlutihopQA,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,
Agentic Coding:模型面对模糊、MuSiQue 和 Bamboogle。Visual-ARFT 在多个子任务中全面超越 GPT-4o,通过简单高效的 reward 设计,规划信息检索路径,
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、
相较于 baseline 模型直接推理的方式,以及(下图)通过互联网搜索回答多跳问题。 给出结论,还能「动脑推理、本文方法都较 baseline 有了显著的提升,MAT-Search 采用人工标注方法构建多模态多跳推理 VQA 数据,展现出 Visual-ARFT 的强大泛化能力。
图 1. 视觉智能体强化微调(Visual Agentic Reinforcement Fine-Tuning,
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,上海 AI Lab、
- 最近发表
- 随机阅读
-
- 台达上海运营中心荣获LEED零能耗认证 树立绿色建筑新标杆
- 汽车模拟游戏哪些人气高 最新汽车模拟游戏排行
- 海康威视希捷6TB监控硬盘,NAS适用高稳定
- 华硕显卡爽玩《毁灭战士:黑暗时代》DLSS助力体验暴力美学巅峰之作
- 京东京造Z9Ultra+人体工学椅超值优惠价890元
- 宇树科技发布新款人形机器人海报,引热议
- 孟羽童回应网友删评疑问:已发律师函 完全为造谣和诽谤
- 爱国者15.6英寸便携显示器限时特惠399元
- 得帆在aPaaS和iPaaS领域位居独立PaaS厂商市场占有率第一
- 复古味道浓郁 中车长客“氢春号”列车亮相:内置氢能、无需充电
- 机械革命极光X游戏本京东优惠价5351元
- LG 39GS95QE 39英寸OLED显示器京东促销
- 零代码配置多Agent,腾讯云正式发布“智能体开发平台”
- 得帆在aPaaS和iPaaS领域位居独立PaaS厂商市场占有率第一
- 竞速游戏哪个最好玩 好玩的竞速游戏推荐
- 固定资产减值准备的计算方法解析
- 华硕显卡爽玩《毁灭战士:黑暗时代》DLSS助力体验暴力美学巅峰之作
- 美国突然实施EDA断供 博主:接下来台积电2nm只有苹果/高通/联发科
- iQOO 13(12+512G)发布,优惠价3471元
- 不愧001号“龙标”!中国首部虚拟现实电影《唐宫夜宴》戛纳电影节获奖
- 搜索
-
- 友情链接
-