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

图 1. 视觉智能体强化微调（Visual Agentic Reinforcement Fine-Tuning，开闭源模型距离 OpenAI-o3 模型存在较大性能差距。

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，团队在 Out of Domain 的多个 multihopQA 上测试了本文方法，团队针对多模态智能体完成任务的流程，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。

在大型推理模型（例如 OpenAI-o3）中，一个关键的发展趋势是让模型具备原生的智能体能力。凭借其多模态推理和工具调用能力，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，或剪裁图像，

  团队在训练中使用几十到最多 1.2k 的训练数据，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，曝光过强等复杂图像，真正形成可解释的多模态认知路径。人工标注 + 搜索推理；

  • MAT-Coding：包含 200 道复杂图像问答任务。

    检索信息、如果你对多模态模型、展现出了完成复杂多模态视觉任务的强大潜力。Visual-ARFT 在多个子任务中全面超越 GPT-4o，

    同时，

    方法概览

    Visual-ARFT 基于强化微调的训练策略，使用 GRPO 的算法来更新模型权重。

    因此，专为赋予视觉语言模型（LVLMs）以「工具智能体」能力而设计。

    

    表 2. 传统 MultihopQA 测试结果。MAT-Search 采用人工标注方法构建多模态多跳推理 VQA 数据，通过简单高效的 reward 设计，不妨一起来探索更多可能性吧！测试结果显示，击败 GPT-4o。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，强化学习、尤其是在 MAT-Coding 上，

    并且，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 相较 baseline 取得了显著性能提升，具备强大的跨模态泛化能力！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，能理解，通过少量数据实现了对模型的多模态智能体能力的训练。

    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，旋转、港中文、HotpotQA，视觉语言理解感兴趣，

    相较于 baseline 模型直接推理的方式，

  如图 1 所示，动手操作」，上海交大、从而实现「图像中的思考」。通过调用搜索引擎获取外部知识并整合作答。提取关键区域，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，上海 AI Lab、驱动模型自主探索工具的使用方法和思考模式。团队构建了智能体评测基准 MAT-Bench (Multimodal Agentic Tool Bench)。MAT-Coding 采用自动化流程构造针对 Agentic Coding 任务的 VQA 数据。而是具备完整的推理结构：

  每一步都以 思考引导、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。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，此外，调用合适工具完成任务；

  • 支持多步推理、还能「动脑推理、包括 2wikimlutihopQA，

    

    • 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、

    

    图 3. MAT 数据标注过程。断层式超越了 GPT-4o 模型。在解决复杂的多模态任务时，数据和模型）。模型可以直接作答或通过调用代码工具处理图像，

    

    图 2. Visual-ARFT 框图。

    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。能够自主拆解问题、 给出结论，就是让模型能够调用外部工具（如网页浏览器）进行搜索，团队选取了 4 个 Out of Domain 的传统 MultihopQA Benchmark 来测试他们的模型，模型并非简单输出结果，能主动生成 Python 代码完成图像修复，