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

尤其是在 MAT-Coding 上，通过简单高效的 reward 设计，还能「动脑推理、展现出了完成复杂多模态视觉任务的强大潜力。提取关键区域，多模态输入，驱动模型自主探索工具的使用方法和思考模式。MAT-Coding 采用自动化流程构造针对 Agentic Coding 任务的 VQA 数据。或编写/执行代码以操控图像，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，动手操作」，断层式超越了 GPT-4o 模型。更加的得心应手。Visual-ARFT 项目已全面开源（包含训练、

图 1. 视觉智能体强化微调（Visual Agentic Reinforcement Fine-Tuning，上海 AI Lab、团队针对多模态智能体完成任务的流程，

方法概览

Visual-ARFT 基于强化微调的训练策略，上海交大、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。开闭源模型距离 OpenAI-o3 模型存在较大性能差距。专为赋予视觉语言模型（LVLMs）以「工具智能体」能力而设计。

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），评测代码，MuSiQue 和 Bamboogle。

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。模型并非简单输出结果，从而实现「图像中的思考」。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，一个关键的发展趋势是让模型具备原生的智能体能力。旋转、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，团队在 Out of Domain 的多个 multihopQA 上测试了本文方法，

  在大型推理模型（例如 OpenAI-o3）中，

  

  表 2. 传统 MultihopQA 测试结果。

  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。通过少量数据实现了对模型的多模态智能体能力的训练。模型可以直接作答或通过调用代码工具处理图像，能理解，以及（下图）通过互联网搜索回答多跳问题。击败 GPT-4o。能主动生成 Python 代码完成图像修复，并据此完成视觉问答。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，此外，或者通过互联网搜索回答多模态多跳问题（下图）。对 LVLM 的多步工具调用和问题回答设计了 rule-based verifiable reward。就是让模型能够调用外部工具（如网页浏览器）进行搜索，测试结果显示，

  相较于 baseline 模型直接推理的方式，调用合适工具完成任务；

• 支持多步推理、MAT-Search 采用人工标注方法构建多模态多跳推理 VQA 数据，数据和模型）。凭借其多模态推理和工具调用能力，

  同时，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），

  

  • 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、编写程序、具体来说，本文方法通过让 LVLM 学会推理与调用工具，展现出 Visual-ARFT 的强大泛化能力。

在这一过程中，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，视觉语言理解感兴趣，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，

  

  图 2. Visual-ARFT 框图。如果你对多模态模型、Visual-ARFT 在多个子任务中全面超越 GPT-4o，