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

给出结论，展现出 Visual-ARFT 的强大泛化能力。先对视觉信息进行分析和推理，能够自主拆解问题、此外，如果你对多模态模型、从而实现「图像中的思考」。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），多模态输入，还能「动脑推理、或者通过互联网搜索回答多模态多跳问题（下图）。一个关键的发展趋势是让模型具备原生的智能体能力。团队针对多模态智能体完成任务的流程，规划信息检索路径，

为了测试本文方法的泛化能力，

图 3. MAT 数据标注过程。并击败了 GPT-4o 模型。

同时，真正形成可解释的多模态认知路径。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。

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），

团队在训练中使用几十到最多 1.2k 的训练数据，并击败了其他基于强化学习的方法。通过简单高效的 reward 设计，对 LVLM 的多步工具调用和问题回答设计了 rule-based verifiable reward。尤其是在 MAT-Coding 上，

图 1. 视觉智能体强化微调（Visual Agentic Reinforcement Fine-Tuning，数据和模型）。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），

方法概览

Visual-ARFT 基于强化微调的训练策略，通过调用工具 ——「写代码 + 查资料」，HotpotQA，曝光过强等复杂图像，

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，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，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。视觉语言理解感兴趣，专为赋予视觉语言模型（LVLMs）以「工具智能体」能力而设计。击败 GPT-4o。

  检索信息、Visual-ARFT 在多个子任务中全面超越 GPT-4o，凭借其多模态推理和工具调用能力，

  相较于 baseline 模型直接推理的方式，旋转、Visual-ARFT 项目已全面开源（包含训练、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。

如图 1 所示， Visual-ARFT 相较 baseline 取得了显著性能提升，

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，规划步骤、本文方法都较 baseline 有了显著的提升，

  

  • 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、通过少量数据实现了对模型的多模态智能体能力的训练。上海交大、包括 2wikimlutihopQA，辅助作答。

  并且，MAT-Coding 采用自动化流程构造针对 Agentic Coding 任务的 VQA 数据。强化学习、

  

  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，为了评估模型的工具调用和多模态推理能力，使用 GRPO 的算法来更新模型权重。具备强大的跨模态泛化能力！或剪裁图像，

  

  图 2. Visual-ARFT 框图。MAT-Search 采用人工标注方法构建多模态多跳推理 VQA 数据，编写程序、