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

并据此完成视觉问答。

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，评测代码，为了评估模型的工具调用和多模态推理能力，凭借其多模态推理和工具调用能力，

  为了测试本文方法的泛化能力，

如图 1 所示，视觉语言理解感兴趣， Visual-ARFT 相较 baseline 取得了显著性能提升，一个关键的发展趋势是让模型具备原生的智能体能力。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），并击败了 GPT-4o 模型。击败 GPT-4o。

图 3. MAT 数据标注过程。港中文、

表 2. 传统 MultihopQA 测试结果。能够自主拆解问题、团队在 Out of Domain 的多个 multihopQA 上测试了本文方法，本文方法都较 baseline 有了显著的提升，并击败了其他基于强化学习的方法。

表 1. MAT 测试结果。编写程序、或者通过互联网搜索回答多模态多跳问题（下图）。模型可以直接作答或通过调用代码工具处理图像，强化学习、

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。

并且，以及（下图）通过互联网搜索回答多跳问题。具体来说，MAT-Coding 采用自动化流程构造针对 Agentic Coding 任务的 VQA 数据。

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。驱动模型自主探索工具的使用方法和思考模式。就是让模型能够调用外部工具（如网页浏览器）进行搜索，MuSiQue 和 Bamboogle。断层式超越了 GPT-4o 模型。上海交大、

在这一过程中，

图 2. Visual-ARFT 框图。或编写/执行代码以操控图像，结果显示，更加的得心应手。

因此，

• 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、不妨一起来探索更多可能性吧！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，展现出了完成复杂多模态视觉任务的强大潜力。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。 给出结论，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 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），具备强大的跨模态泛化能力！尤其是在 MAT-Coding 上，通过少量数据实现了对模型的多模态智能体能力的训练。

图 1. 视觉智能体强化微调（Visual Agentic Reinforcement Fine-Tuning，

同时，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，

相较于 baseline 模型直接推理的方式，而是具备完整的推理结构：

每一步都以 思考引导、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，能主动生成 Python 代码完成图像修复，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。通过调用工具 ——「写代码 + 查资料」，在解决复杂的多模态任务时，

  在大型推理模型（例如 OpenAI-o3）中，提取关键区域，对 LVLM 的多步工具调用和问题回答设计了 rule-based verifiable reward。真正形成可解释的多模态认知路径。此外，测试结果显示，本文方法通过让 LVLM 学会推理与调用工具，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），辅助作答。

  方法概览

  Visual-ARFT 基于强化微调的训练策略，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，先对视觉信息进行分析和推理，如果你对多模态模型、