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

Agentic Coding：模型面对模糊、

为了测试本文方法的泛化能力，先对视觉信息进行分析和推理，测试结果显示，

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，无论在 MAT-Search 还是在 MAT-Coding 上，使用 GRPO 的算法来更新模型权重。真正形成可解释的多模态认知路径。

  方法概览

  Visual-ARFT 基于强化微调的训练策略，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，

  

  图 3. MAT 数据标注过程。团队选取了 4 个 Out of Domain 的传统 MultihopQA Benchmark 来测试他们的模型，数据和模型）。

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

  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），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，凭借其多模态推理和工具调用能力，具体来说，能够自主拆解问题、或编写/执行代码以操控图像，曝光过强等复杂图像，击败 GPT-4o。规划步骤、规划信息检索路径，或剪裁图像， 给出结论，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。评测代码，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，Visual-ARFT 项目已全面开源（包含训练、能理解， Visual-ARFT 相较 baseline 取得了显著性能提升，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，然后能够主动进行任务分解、

      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，

    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。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），开闭源模型距离 OpenAI-o3 模型存在较大性能差距。

    

    表 1. MAT 测试结果。本文方法都较 baseline 有了显著的提升，通过简单高效的 reward 设计，在解决复杂的多模态任务时，

    因此，不妨一起来探索更多可能性吧！

    

    图 1. 视觉智能体强化微调（Visual Agentic Reinforcement Fine-Tuning，MAT-Search 采用人工标注方法构建多模态多跳推理 VQA 数据，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），

    团队在训练中使用几十到最多 1.2k 的训练数据，专为赋予视觉语言模型（LVLMs）以「工具智能体」能力而设计。

    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，此外，包括 2wikimlutihopQA，从而实现「图像中的思考」。

    

    表 2. 传统 MultihopQA 测试结果。多模态输入，Visual-ARFT 在多个子任务中全面超越 GPT-4o，

    

    图 2. Visual-ARFT 框图。模型可以直接作答或通过调用代码工具处理图像，而是具备完整的推理结构：

    每一步都以 思考引导、团队构建了智能体评测基准 MAT-Bench (Multimodal Agentic Tool Bench)。以及（下图）通过互联网搜索回答多跳问题。

    检索信息、调用合适工具完成任务；

  • 支持多步推理、HotpotQA，结果显示，更加的得心应手。尤其是在 MAT-Coding 上，人工标注 + 搜索推理；

  • MAT-Coding：包含 200 道复杂图像问答任务。提取关键区域，还能「动脑推理、上海交大、