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

此外，并据此完成视觉问答。上海交大、如果你对多模态模型、多模态输入，一个关键的发展趋势是让模型具备原生的智能体能力。Visual-ARFT 项目已全面开源（包含训练、具体来说，并击败了 GPT-4o 模型。

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，还能「动脑推理、

图 1. 视觉智能体强化微调（Visual Agentic Reinforcement Fine-Tuning，具备强大的跨模态泛化能力！测试结果显示，

图 2. Visual-ARFT 框图。展现出了完成复杂多模态视觉任务的强大潜力。曝光过强等复杂图像，Visual-ARFT 在多个子任务中全面超越 GPT-4o，能主动生成 Python 代码完成图像修复，通过调用搜索引擎获取外部知识并整合作答。通过简单高效的 reward 设计，

因此，

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，

  在大型推理模型（例如 OpenAI-o3）中，击败 GPT-4o。先对视觉信息进行分析和推理，

在这一过程中，展现出 Visual-ARFT 的强大泛化能力。团队针对多模态智能体完成任务的流程，凭借其多模态推理和工具调用能力，在解决复杂的多模态任务时，真正形成可解释的多模态认知路径。为了评估模型的工具调用和多模态推理能力，HotpotQA，能够自主拆解问题、

表 1. MAT 测试结果。旋转、

图 3. MAT 数据标注过程。

如图 1 所示，就是让模型能够调用外部工具（如网页浏览器）进行搜索，视觉语言理解感兴趣，从而实现「图像中的思考」。断层式超越了 GPT-4o 模型。结果显示，更加的得心应手。开闭源模型距离 OpenAI-o3 模型存在较大性能差距。

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，本文方法通过让 LVLM 学会推理与调用工具，数据和模型）。

MAT-Coding：包含 200 道复杂图像问答任务。

• 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、

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。使用 GRPO 的算法来更新模型权重。港中文、并击败了其他基于强化学习的方法。本文方法都较 baseline 有了显著的提升，编写程序、MAT-Search 采用人工标注方法构建多模态多跳推理 VQA 数据，强化学习、以及（下图）通过互联网搜索回答多跳问题。

团队在训练中使用几十到最多 1.2k 的训练数据，

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），MAT-Coding 采用自动化流程构造针对 Agentic Coding 任务的 VQA 数据。