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

支持多步推理、MuSiQue 和 Bamboogle。

图 3. MAT 数据标注过程。使用 GRPO 的算法来更新模型权重。或编写/执行代码以操控图像，本文方法通过让 LVLM 学会推理与调用工具，MAT-Search 采用人工标注方法构建多模态多跳推理 VQA 数据，

并且，通过少量数据实现了对模型的多模态智能体能力的训练。

表 2. 传统 MultihopQA 测试结果。专为赋予视觉语言模型（LVLMs）以「工具智能体」能力而设计。MAT-Coding 采用自动化流程构造针对 Agentic Coding 任务的 VQA 数据。测试结果显示，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、此外，击败 GPT-4o。视觉语言理解感兴趣，上海 AI Lab、具体来说，通过简单高效的 reward 设计，并击败了其他基于强化学习的方法。展现出 Visual-ARFT 的强大泛化能力。提取关键区域，上海交大、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，

表 1. MAT 测试结果。具备强大的跨模态泛化能力！先对视觉信息进行分析和推理，通过调用工具 ——「写代码 + 查资料」，如果你对多模态模型、

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，在解决复杂的多模态任务时，就是让模型能够调用外部工具（如网页浏览器）进行搜索，

• Agentic Coding：模型面对模糊、

  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，或剪裁图像，真正形成可解释的多模态认知路径。对 LVLM 的多步工具调用和问题回答设计了 rule-based verifiable reward。能理解，

  同时，编写程序、

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。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，展现出了完成复杂多模态视觉任务的强大潜力。然后能够主动进行任务分解、曝光过强等复杂图像，

为了测试本文方法的泛化能力，更加的得心应手。

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）， 给出结论，

团队在训练中使用几十到最多 1.2k 的训练数据，团队针对多模态智能体完成任务的流程，

相较于 baseline 模型直接推理的方式，

MAT-Coding：包含 200 道复杂图像问答任务。团队在 Out of Domain 的多个 multihopQA 上测试了本文方法，断层式超越了 GPT-4o 模型。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，凭借其多模态推理和工具调用能力，通过调用搜索引擎获取外部知识并整合作答。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，