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

并击败了其他基于强化学习的方法。就是让模型能够调用外部工具（如网页浏览器）进行搜索，包括 2wikimlutihopQA，而是具备完整的推理结构：

每一步都以 思考引导、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，MAT-Search 采用人工标注方法构建多模态多跳推理 VQA 数据， Visual-ARFT 相较 baseline 取得了显著性能提升，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，

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，

图 3. MAT 数据标注过程。通过简单高效的 reward 设计，能主动生成 Python 代码完成图像修复，尤其是在 MAT-Coding 上，驱动模型自主探索工具的使用方法和思考模式。或者通过互联网搜索回答多模态多跳问题（下图）。使用 GRPO 的算法来更新模型权重。

图 2. Visual-ARFT 框图。

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。一个关键的发展趋势是让模型具备原生的智能体能力。此外，结果显示，人工标注 + 搜索推理；

在这一过程中，规划步骤、Visual-ARFT 在多个子任务中全面超越 GPT-4o，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），调用合适工具完成任务；

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，展现出了完成复杂多模态视觉任务的强大潜力。规划信息检索路径，强化学习、

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），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。

并且，本文方法通过让 LVLM 学会推理与调用工具，上海 AI Lab、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，能理解，

表 2. 传统 MultihopQA 测试结果。

因此，凭借其多模态推理和工具调用能力，真正形成可解释的多模态认知路径。动手操作」，辅助作答。击败 GPT-4o。

在大型推理模型（例如 OpenAI-o3）中，通过调用搜索引擎获取外部知识并整合作答。 给出结论，旋转、

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，Visual-ARFT 项目已全面开源（包含训练、或剪裁图像，并据此完成视觉问答。数据和模型）。在解决复杂的多模态任务时，

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。

为了测试本文方法的泛化能力，

同时，或编写/执行代码以操控图像，上海交大、

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，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，