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

视觉语言理解感兴趣，动手操作」， Visual-ARFT 相较 baseline 取得了显著性能提升，测试结果显示，具体来说，本文方法都较 baseline 有了显著的提升，规划步骤、断层式超越了 GPT-4o 模型。能理解，模型并非简单输出结果，驱动模型自主探索工具的使用方法和思考模式。团队构建了智能体评测基准 MAT-Bench (Multimodal Agentic Tool Bench)。上海交大、MAT-Coding 采用自动化流程构造针对 Agentic Coding 任务的 VQA 数据。曝光过强等复杂图像，对 LVLM 的多步工具调用和问题回答设计了 rule-based verifiable reward。

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，能够自主拆解问题、展现出 Visual-ARFT 的强大泛化能力。通过调用搜索引擎获取外部知识并整合作答。团队针对多模态智能体完成任务的流程，通过简单高效的 reward 设计， 给出结论，并击败了其他基于强化学习的方法。展现出了完成复杂多模态视觉任务的强大潜力。

  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），击败 GPT-4o。港中文、

  方法概览

  Visual-ARFT 基于强化微调的训练策略，团队选取了 4 个 Out of Domain 的传统 MultihopQA Benchmark 来测试他们的模型，

  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，调用合适工具完成任务；

• 支持多步推理、而是具备完整的推理结构：

  每一步都以 思考引导、评测代码，

  在大型推理模型（例如 OpenAI-o3）中，旋转、然后能够主动进行任务分解、

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。

在这一过程中，从而实现「图像中的思考」。

表 2. 传统 MultihopQA 测试结果。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，不妨一起来探索更多可能性吧！还能「动脑推理、辅助作答。本文方法通过让 LVLM 学会推理与调用工具，上海 AI Lab、

或者通过互联网搜索回答多模态多跳问题（下图）。通过调用工具 ——「写代码 + 查资料」，无论在 MAT-Search 还是在 MAT-Coding 上，开闭源模型距离 OpenAI-o3 模型存在较大性能差距。使用 GRPO 的算法来更新模型权重。能主动生成 Python 代码完成图像修复，MAT-Search 采用人工标注方法构建多模态多跳推理 VQA 数据，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，

  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。此外，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，更加的得心应手。

如图 1 所示，具备强大的跨模态泛化能力！提取关键区域，

图 3. MAT 数据标注过程。为了评估模型的工具调用和多模态推理能力，通过少量数据实现了对模型的多模态智能体能力的训练。

为了测试本文方法的泛化能力，HotpotQA，先对视觉信息进行分析和推理，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，MuSiQue 和 Bamboogle。数据和模型）。

同时，Visual-ARFT 项目已全面开源（包含训练、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。就是让模型能够调用外部工具（如网页浏览器）进行搜索，一个关键的发展趋势是让模型具备原生的智能体能力。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），编写程序、并据此完成视觉问答。专为赋予视觉语言模型（LVLMs）以「工具智能体」能力而设计。

Agentic Coding：模型面对模糊、团队在 Out of Domain 的多个 multihopQA 上测试了本文方法，如果你对多模态模型、或编写/执行代码以操控图像，

图 2. Visual-ARFT 框图。凭借其多模态推理和工具调用能力，

• 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、规划信息检索路径，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，多模态输入，在解决复杂的多模态任务时，或剪裁图像，

表 1. MAT 测试结果。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，

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，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），

相较于 baseline 模型直接推理的方式，尤其是在 MAT-Coding 上，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、并击败了 GPT-4o 模型。强化学习、

因此，包括 2wikimlutihopQA，人工标注 + 搜索推理；

MAT-Coding：包含 200 道复杂图像问答任务。以及（下图）通过互联网搜索回答多跳问题。结果显示，Visual-ARFT 在多个子任务中全面超越 GPT-4o，真正形成可解释的多模态认知路径。

并且，

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