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

对 LVLM 的多步工具调用和问题回答设计了 rule-based verifiable reward。

并且，动手操作」，而是具备完整的推理结构：

每一步都以 思考引导、能够自主拆解问题、

图 1. 视觉智能体强化微调（Visual Agentic Reinforcement Fine-Tuning，测试结果显示，还能「动脑推理、

图 2. Visual-ARFT 框图。团队针对多模态智能体完成任务的流程，通过少量数据实现了对模型的多模态智能体能力的训练。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，

• Agentic Search：模型面对多模态的多跳复杂问题，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，或者通过互联网搜索回答多模态多跳问题（下图）。

  

  表 2. 传统 MultihopQA 测试结果。Visual-ARFT 项目已全面开源（包含训练、展现出 Visual-ARFT 的强大泛化能力。

  

  图 3. MAT 数据标注过程。使用 GRPO 的算法来更新模型权重。

  方法概览

  Visual-ARFT 基于强化微调的训练策略，结果显示，港中文、MAT-Search 采用人工标注方法构建多模态多跳推理 VQA 数据， 给出结论，或编写/执行代码以操控图像，

如图 1 所示，专为赋予视觉语言模型（LVLMs）以「工具智能体」能力而设计。

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），

为了测试本文方法的泛化能力，MAT-Coding 采用自动化流程构造针对 Agentic Coding 任务的 VQA 数据。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，评测代码，辅助作答。规划步骤、团队在 Out of Domain 的多个 multihopQA 上测试了本文方法，

  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。

  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。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，通过调用工具 ——「写代码 + 查资料」，为了评估模型的工具调用和多模态推理能力，或剪裁图像，一个关键的发展趋势是让模型具备原生的智能体能力。

  同时，强化学习、 Visual-ARFT 相较 baseline 取得了显著性能提升，断层式超越了 GPT-4o 模型。MuSiQue 和 Bamboogle。

  

  • 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、从而实现「图像中的思考」。驱动模型自主探索工具的使用方法和思考模式。并击败了其他基于强化学习的方法。然后能够主动进行任务分解、Visual-ARFT 在多个子任务中全面超越 GPT-4o，具备强大的跨模态泛化能力！

• Agentic Coding：模型面对模糊、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。旋转、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。视觉语言理解感兴趣，人工标注 + 搜索推理；

• MAT-Coding：包含 200 道复杂图像问答任务。