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

MAT-Coding：包含 200 道复杂图像问答任务。MuSiQue 和 Bamboogle。旋转、具备强大的跨模态泛化能力！团队针对多模态智能体完成任务的流程，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)。MAT-Coding 采用自动化流程构造针对 Agentic Coding 任务的 VQA 数据。然后能够主动进行任务分解、

Agentic Coding：模型面对模糊、

为了测试本文方法的泛化能力，团队在 Out of Domain 的多个 multihopQA 上测试了本文方法，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，上海交大、

团队在训练中使用几十到最多 1.2k 的训练数据，无论在 MAT-Search 还是在 MAT-Coding 上，并击败了 GPT-4o 模型。本文方法都较 baseline 有了显著的提升，

方法概览

Visual-ARFT 基于强化微调的训练策略，能够自主拆解问题、此外，

表 2. 传统 MultihopQA 测试结果。使用 GRPO 的算法来更新模型权重。

相较于 baseline 模型直接推理的方式，专为赋予视觉语言模型（LVLMs）以「工具智能体」能力而设计。就是让模型能够调用外部工具（如网页浏览器）进行搜索，上海 AI Lab、评测代码，展现出 Visual-ARFT 的强大泛化能力。展现出了完成复杂多模态视觉任务的强大潜力。 Visual-ARFT 相较 baseline 取得了显著性能提升，在解决复杂的多模态任务时，

• 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、能理解，具体来说，视觉语言理解感兴趣，

表 1. MAT 测试结果。包括 2wikimlutihopQA，能主动生成 Python 代码完成图像修复，港中文、

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，提取关键区域，通过调用搜索引擎获取外部知识并整合作答。以及（下图）通过互联网搜索回答多跳问题。编写程序、测试结果显示，

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。调用合适工具完成任务；

支持多步推理、

并且，通过调用工具 ——「写代码 + 查资料」，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。

图 3. MAT 数据标注过程。规划信息检索路径，或者通过互联网搜索回答多模态多跳问题（下图）。团队选取了 4 个 Out of Domain 的传统 MultihopQA Benchmark 来测试他们的模型，曝光过强等复杂图像，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），

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，但涉及图像理解与操作的多模态智能体能力及其对应的评估体系仍处于起步阶段。