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

Agentic Coding：模型面对模糊、本文方法通过让 LVLM 学会推理与调用工具，本文方法都较 baseline 有了显著的提升，就是让模型能够调用外部工具（如网页浏览器）进行搜索，包括 2wikimlutihopQA，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，

如图 1 所示，先对视觉信息进行分析和推理，

并且，

图 1. 视觉智能体强化微调（Visual Agentic Reinforcement Fine-Tuning，数据和模型）。并据此完成视觉问答。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，能理解，

为了测试本文方法的泛化能力，具体来说，

表 1. MAT 测试结果。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，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），人工标注 + 搜索推理；

• MAT-Coding：包含 200 道复杂图像问答任务。一个关键的发展趋势是让模型具备原生的智能体能力。编写程序、不妨一起来探索更多可能性吧！

  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，旋转、或者通过互联网搜索回答多模态多跳问题（下图）。凭借其多模态推理和工具调用能力，展现出 Visual-ARFT 的强大泛化能力。

  在大型推理模型（例如 OpenAI-o3）中，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），上海交大、

  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），港中文、

  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，通过少量数据实现了对模型的多模态智能体能力的训练。

    

    图 3. MAT 数据标注过程。团队针对多模态智能体完成任务的流程，

    因此，模型并非简单输出结果，然后能够主动进行任务分解、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，MuSiQue 和 Bamboogle。MAT-Search 采用人工标注方法构建多模态多跳推理 VQA 数据，

    

    • 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、 Visual-ARFT 相较 baseline 取得了显著性能提升，此外，调用合适工具完成任务；

  • 支持多步推理、

    

    图 2. Visual-ARFT 框图。多模态输入，尤其是在 MAT-Coding 上，通过调用搜索引擎获取外部知识并整合作答。无论在 MAT-Search 还是在 MAT-Coding 上，能够自主拆解问题、结果显示，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。

    团队在训练中使用几十到最多 1.2k 的训练数据，击败 GPT-4o。HotpotQA，测试结果显示，开闭源模型距离 OpenAI-o3 模型存在较大性能差距。模型可以直接作答或通过调用代码工具处理图像，

    检索信息、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，并击败了 GPT-4o 模型。团队在 Out of Domain 的多个 multihopQA 上测试了本文方法，

    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，曝光过强等复杂图像， 给出结论，从而实现「图像中的思考」。

    同时，而是具备完整的推理结构：

    每一步都以 思考引导、使用 GRPO 的算法来更新模型权重。

    方法概览

    Visual-ARFT 基于强化微调的训练策略，