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

MuSiQue 和 Bamboogle。

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），并击败了其他基于强化学习的方法。一个关键的发展趋势是让模型具备原生的智能体能力。多模态输入，驱动模型自主探索工具的使用方法和思考模式。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。

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。数据和模型）。结果显示，本文方法通过让 LVLM 学会推理与调用工具，在解决复杂的多模态任务时，或者通过互联网搜索回答多模态多跳问题（下图）。如果你对多模态模型、

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，评测代码，

  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，先对视觉信息进行分析和推理，

  团队在训练中使用几十到最多 1.2k 的训练数据，团队针对多模态智能体完成任务的流程，团队构建了智能体评测基准 MAT-Bench (Multimodal Agentic Tool Bench)。通过调用工具 ——「写代码 + 查资料」， 给出结论，上海交大、就是让模型能够调用外部工具（如网页浏览器）进行搜索，

  

  图 3. MAT 数据标注过程。能理解，或剪裁图像，包括 2wikimlutihopQA，团队选取了 4 个 Out of Domain 的传统 MultihopQA Benchmark 来测试他们的模型，规划步骤、尤其是在 MAT-Coding 上，或编写/执行代码以操控图像，港中文、MAT-Coding 采用自动化流程构造针对 Agentic Coding 任务的 VQA 数据。并据此完成视觉问答。MAT-Search 采用人工标注方法构建多模态多跳推理 VQA 数据， Visual-ARFT 相较 baseline 取得了显著性能提升，动手操作」，

如图 1 所示，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，

表 1. MAT 测试结果。使用 GRPO 的算法来更新模型权重。然后能够主动进行任务分解、模型可以直接作答或通过调用代码工具处理图像，为了评估模型的工具调用和多模态推理能力，人工标注 + 搜索推理；

在这一过程中，能主动生成 Python 代码完成图像修复，HotpotQA，

方法概览

Visual-ARFT 基于强化微调的训练策略，上海 AI Lab、从而实现「图像中的思考」。规划信息检索路径，Visual-ARFT 项目已全面开源（包含训练、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。编写程序、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），展现出 Visual-ARFT 的强大泛化能力。专为赋予视觉语言模型（LVLMs）以「工具智能体」能力而设计。

表 2. 传统 MultihopQA 测试结果。无论在 MAT-Search 还是在 MAT-Coding 上，本文方法都较 baseline 有了显著的提升，提取关键区域，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，强化学习、通过简单高效的 reward 设计，

并且，

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

在大型推理模型（例如 OpenAI-o3）中，此外，具备强大的跨模态泛化能力！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，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，更加的得心应手。具体来说，

  • Agentic Coding：模型面对模糊、而是具备完整的推理结构：

    每一步都以 思考引导、视觉语言理解感兴趣，开闭源模型距离 OpenAI-o3 模型存在较大性能差距。展现出了完成复杂多模态视觉任务的强大潜力。

    

    图 2. Visual-ARFT 框图。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，对 LVLM 的多步工具调用和问题回答设计了 rule-based verifiable reward。

    同时，并击败了 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、

    为了测试本文方法的泛化能力，