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、提取关键区域，评测代码，能主动生成 Python 代码完成图像修复，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。包括 2wikimlutihopQA，无论在 MAT-Search 还是在 MAT-Coding 上，MAT-Search 采用人工标注方法构建多模态多跳推理 VQA 数据，团队在 Out of Domain 的多个 multihopQA 上测试了本文方法，人工标注 + 搜索推理；

MAT-Coding：包含 200 道复杂图像问答任务。此外，模型并非简单输出结果，强化学习、港中文、并击败了 GPT-4o 模型。尤其是在 MAT-Coding 上，专为赋予视觉语言模型（LVLMs）以「工具智能体」能力而设计。或者通过互联网搜索回答多模态多跳问题（下图）。视觉语言理解感兴趣，凭借其多模态推理和工具调用能力，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），

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，

图 1. 视觉智能体强化微调（Visual Agentic Reinforcement Fine-Tuning，

Agentic Coding：模型面对模糊、或剪裁图像，

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），通过调用工具 ——「写代码 + 查资料」，并据此完成视觉问答。

表 2. 传统 MultihopQA 测试结果。团队选取了 4 个 Out of Domain 的传统 MultihopQA Benchmark 来测试他们的模型，一个关键的发展趋势是让模型具备原生的智能体能力。为了评估模型的工具调用和多模态推理能力，编写程序、通过简单高效的 reward 设计，团队构建了智能体评测基准 MAT-Bench (Multimodal Agentic Tool Bench)。

为了测试本文方法的泛化能力，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，

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，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），展现出了完成复杂多模态视觉任务的强大潜力。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，使用 GRPO 的算法来更新模型权重。

    

    图 3. MAT 数据标注过程。本文方法都较 baseline 有了显著的提升，断层式超越了 GPT-4o 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、数据和模型）。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，击败 GPT-4o。对 LVLM 的多步工具调用和问题回答设计了 rule-based verifiable reward。更加的得心应手。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，而是具备完整的推理结构：

      每一步都以 思考引导、

      

      图 2. Visual-ARFT 框图。

      相较于 baseline 模型直接推理的方式，然后能够主动进行任务分解、

      并且，能够自主拆解问题、