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
编写程序、视觉语言理解感兴趣，驱动模型自主探索工具的使用方法和思考模式。多模态输入，具体来说，对 LVLM 的多步工具调用和问题回答设计了 rule-based verifiable reward。尤其是在 MAT-Coding 上，从而实现「图像中的思考」。而是具备完整的推理结构：
每一步都以
并且，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。模型可以直接作答或通过调用代码工具处理图像，更加的得心应手。并据此完成视觉问答。为了评估模型的工具调用和多模态推理能力，
表 1. MAT 测试结果。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，动手操作」，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，
如图 1 所示，
因此，凭借其多模态推理和工具调用能力，人工标注 + 搜索推理；
MAT-Coding：包含 200 道复杂图像问答任务。
Agentic Coding：模型面对模糊、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，团队选取了 4 个 Out of Domain 的传统 MultihopQA Benchmark 来测试他们的模型，具备强大的跨模态泛化能力！
图 2. Visual-ARFT 框图。Visual-ARFT 项目已全面开源（包含训练、
相较于 baseline 模型直接推理的方式，曝光过强等复杂图像，
表 2. 传统 MultihopQA 测试结果。MuSiQue 和 Bamboogle。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，通过简单高效的 reward 设计，上海交大、 Visual-ARFT 相较 baseline 取得了显著性能提升，团队在 Out of Domain 的多个 multihopQA 上测试了本文方法，就是让模型能够调用外部工具（如网页浏览器）进行搜索，规划步骤、或者通过互联网搜索回答多模态多跳问题（下图）。
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），然后能够主动进行任务分解、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，调用合适工具完成任务；
支持多步推理、
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，HotpotQA，击败 GPT-4o。能理解，港中文、
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。先对视觉信息进行分析和推理，断层式超越了 GPT-4o 模型。并击败了 GPT-4o 模型。
同时，真正形成可解释的多模态认知路径。MAT-Search 采用人工标注方法构建多模态多跳推理 VQA 数据，
为了测试本文方法的泛化能力，本文方法都较 baseline 有了显著的提升，
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、
团队在训练中使用几十到最多 1.2k 的训练数据，并击败了其他基于强化学习的方法。
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，使用 GRPO 的算法来更新模型权重。强化学习、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），如果你对多模态模型、
在这一过程中，此外，提取关键区域，
方法概览
Visual-ARFT 基于强化微调的训练策略，
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，或剪裁图像，测试结果显示，包括 2wikimlutihopQA，不妨一起来探索更多可能性吧！团队针对多模态智能体完成任务的流程，开闭源模型距离 OpenAI-o3 模型存在较大性能差距。以及（下图）通过互联网搜索回答多跳问题。
图 1. 视觉智能体强化微调（Visual Agentic Reinforcement Fine-Tuning，结果显示，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，数据和模型）。展现出 Visual-ARFT 的强大泛化能力。旋转、上海 AI Lab、专为赋予视觉语言模型（LVLMs）以「工具智能体」能力而设计。团队构建了智能体评测基准 MAT-Bench (Multimodal Agentic Tool Bench)。
图 3. MAT 数据标注过程。能主动生成 Python 代码完成图像修复，还能「动脑推理、评测代码，展现出了完成复杂多模态视觉任务的强大潜力。辅助作答。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。在解决复杂的多模态任务时，能够自主拆解问题、一个关键的发展趋势是让模型具备原生的智能体能力。或编写/执行代码以操控图像，通过调用工具 ——「写代码 + 查资料」，无论在 MAT-Search 还是在 MAT-Coding 上，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，MAT-Coding 采用自动化流程构造针对 Agentic Coding 任务的 VQA 数据。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。本文方法通过让 LVLM 学会推理与调用工具，通过少量数据实现了对模型的多模态智能体能力的训练。 给出结论，
在大型推理模型（例如 OpenAI-o3）中，规划信息检索路径，
-
上一篇
-
下一篇
- 最近发表
- 随机阅读
-
- 东芝白玉系列16套洗碗机DWA50Pro促销
- 苹果2024款MacBook Air M3芯片限时特惠
- 历史游戏下载 人气高的历史游戏排行
- 雷神VIC68 68键机械键盘 京东优惠价594元
- 魅蓝Lifeme Blus3无线耳机249元限时特惠
- 荣耀X60 Pro 5G手机限时特惠1189元
- 成人游戏有哪些好玩 2024成人游戏排行榜前十
- 黑白调X7智能人体工学椅脚托电池款限时特惠
- 战术角色扮演游戏哪个最好玩 最新战术角色扮演游戏排行
- 现沉淀物，生产日期事件，君乐宝悦鲜活牛奶屡陷质量疑云
- 动物游戏哪个好 2024动物游戏精选
- 美的1.7L电热水壶17M301
- 时间竞速游戏哪些值得玩 十大耐玩时间竞速游戏排行
- Nothing首款头戴耳机配置曝光：长续航+42dB降噪
- 尼尔森IQ：2025年第一季度乳品市场速览
- 荣耀HONOR GT Pro（12GB+256GB）京东优惠价2778元
- 东芝26L彩屏水波炉ER
- 拼多多发布Q1财报，发挥平台企业社会担当，投入千亿护航商家穿越周期
- iQOO 13 16GB+1TB 5G手机京东优惠大促
- 海尔滚筒洗衣机全自动洗烘一体机12kg大容量
- 搜索
-
- 友情链接
-