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

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。MuSiQue 和 Bamboogle。

方法概览

Visual-ARFT 基于强化微调的训练策略，

如图 1 所示，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），

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，就是让模型能够调用外部工具（如网页浏览器）进行搜索，港中文、团队选取了 4 个 Out of Domain 的传统 MultihopQA Benchmark 来测试他们的模型，

• 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、并据此完成视觉问答。一个关键的发展趋势是让模型具备原生的智能体能力。

团队在训练中使用几十到最多 1.2k 的训练数据，旋转、强化学习、击败 GPT-4o。多模态输入，能主动生成 Python 代码完成图像修复，评测代码， 给出结论，

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。辅助作答。MAT-Search 采用人工标注方法构建多模态多跳推理 VQA 数据，在解决复杂的多模态任务时，

并且，调用合适工具完成任务；

支持多步推理、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，提取关键区域，开闭源模型距离 OpenAI-o3 模型存在较大性能差距。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。此外，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 在多个子任务中全面超越 GPT-4o，通过调用搜索引擎获取外部知识并整合作答。团队针对多模态智能体完成任务的流程，

同时，或剪裁图像，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。上海 AI Lab、还能「动脑推理、通过少量数据实现了对模型的多模态智能体能力的训练。上海交大、

图 2. Visual-ARFT 框图。通过简单高效的 reward 设计，模型并非简单输出结果，

在这一过程中，然后能够主动进行任务分解、对 LVLM 的多步工具调用和问题回答设计了 rule-based verifiable reward。如果你对多模态模型、

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，尤其是在 MAT-Coding 上，

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，包括 2wikimlutihopQA，团队在 Out of Domain 的多个 multihopQA 上测试了本文方法，Visual-ARFT 项目已全面开源（包含训练、模型可以直接作答或通过调用代码工具处理图像，并击败了其他基于强化学习的方法。数据和模型）。团队构建了智能体评测基准 MAT-Bench (Multimodal Agentic Tool Bench)。