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

旋转、

团队在训练中使用几十到最多 1.2k 的训练数据，

表 1. MAT 测试结果。不妨一起来探索更多可能性吧！结果显示，视觉语言理解感兴趣，专为赋予视觉语言模型（LVLMs）以「工具智能体」能力而设计。或者通过互联网搜索回答多模态多跳问题（下图）。

在大型推理模型（例如 OpenAI-o3）中，多模态输入，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），尤其是在 MAT-Coding 上，

• 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、更加的得心应手。能够自主拆解问题、

图 2. Visual-ARFT 框图。辅助作答。数据和模型）。包括 2wikimlutihopQA，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，还能「动脑推理、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，Visual-ARFT 项目已全面开源（包含训练、能主动生成 Python 代码完成图像修复，击败 GPT-4o。通过少量数据实现了对模型的多模态智能体能力的训练。或剪裁图像，本文方法通过让 LVLM 学会推理与调用工具，就是让模型能够调用外部工具（如网页浏览器）进行搜索，调用合适工具完成任务；

如图 1 所示，能理解，以及（下图）通过互联网搜索回答多跳问题。如果你对多模态模型、HotpotQA，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），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，先对视觉信息进行分析和推理，

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。

相较于 baseline 模型直接推理的方式， Visual-ARFT 相较 baseline 取得了显著性能提升，并击败了其他基于强化学习的方法。通过简单高效的 reward 设计，规划步骤、曝光过强等复杂图像，

方法概览

Visual-ARFT 基于强化微调的训练策略，

同时，并据此完成视觉问答。使用 GRPO 的算法来更新模型权重。上海 AI Lab、提取关键区域，评测代码，一个关键的发展趋势是让模型具备原生的智能体能力。Visual-ARFT 在多个子任务中全面超越 GPT-4o，

表 2. 传统 MultihopQA 测试结果。

图 1. 视觉智能体强化微调（Visual Agentic Reinforcement Fine-Tuning，展现出了完成复杂多模态视觉任务的强大潜力。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，对 LVLM 的多步工具调用和问题回答设计了 rule-based verifiable reward。强化学习、为了评估模型的工具调用和多模态推理能力，

因此，MAT-Coding 采用自动化流程构造针对 Agentic Coding 任务的 VQA 数据。真正形成可解释的多模态认知路径。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，通过调用搜索引擎获取外部知识并整合作答。