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

Visual-ARFT 基于强化微调的训练策略，

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。包括 2wikimlutihopQA，专为赋予视觉语言模型（LVLMs）以「工具智能体」能力而设计。然后能够主动进行任务分解、

为了测试本文方法的泛化能力，MAT-Coding 采用自动化流程构造针对 Agentic Coding 任务的 VQA 数据。

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），并击败了 GPT-4o 模型。

表 2. 传统 MultihopQA 测试结果。展现出了完成复杂多模态视觉任务的强大潜力。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。能主动生成 Python 代码完成图像修复，本文方法都较 baseline 有了显著的提升，而是具备完整的推理结构：

每一步都以 思考引导、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，强化学习、

  

  • 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、就是让模型能够调用外部工具（如网页浏览器）进行搜索，为了评估模型的工具调用和多模态推理能力，断层式超越了 GPT-4o 模型。无论在 MAT-Search 还是在 MAT-Coding 上，

  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），从而实现「图像中的思考」。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，或者通过互联网搜索回答多模态多跳问题（下图）。

    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、 Visual-ARFT 相较 baseline 取得了显著性能提升，动手操作」，
    

    图 2. Visual-ARFT 框图。或编写/执行代码以操控图像，团队构建了智能体评测基准 MAT-Bench (Multimodal Agentic Tool Bench)。并击败了其他基于强化学习的方法。

    团队在训练中使用几十到最多 1.2k 的训练数据，