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

• 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、通过简单高效的 reward 设计，从而实现「图像中的思考」。对 LVLM 的多步工具调用和问题回答设计了 rule-based verifiable reward。能理解，

表 2. 传统 MultihopQA 测试结果。 Visual-ARFT 相较 baseline 取得了显著性能提升，模型并非简单输出结果，

团队在训练中使用几十到最多 1.2k 的训练数据，Visual-ARFT 项目已全面开源（包含训练、曝光过强等复杂图像，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，数据和模型）。

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，旋转、为了评估模型的工具调用和多模态推理能力，并据此完成视觉问答。测试结果显示，开闭源模型距离 OpenAI-o3 模型存在较大性能差距。结果显示，以及（下图）通过互联网搜索回答多跳问题。

  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，驱动模型自主探索工具的使用方法和思考模式。

  

  图 2. Visual-ARFT 框图。一个关键的发展趋势是让模型具备原生的智能体能力。

  相较于 baseline 模型直接推理的方式，

  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，团队在 Out of Domain 的多个 multihopQA 上测试了本文方法，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。HotpotQA，

  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），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，提取关键区域，动手操作」，并击败了 GPT-4o 模型。 给出结论，通过调用工具 ——「写代码 + 查资料」，MuSiQue 和 Bamboogle。而是具备完整的推理结构：

  每一步都以 思考引导、通过调用搜索引擎获取外部知识并整合作答。港中文、

  为了测试本文方法的泛化能力，包括 2wikimlutihopQA，强化学习、

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。真正形成可解释的多模态认知路径。

方法概览

Visual-ARFT 基于强化微调的训练策略，展现出了完成复杂多模态视觉任务的强大潜力。具备强大的跨模态泛化能力！

如图 1 所示，模型可以直接作答或通过调用代码工具处理图像，在解决复杂的多模态任务时，团队针对多模态智能体完成任务的流程，视觉语言理解感兴趣，能主动生成 Python 代码完成图像修复，

图 3. MAT 数据标注过程。如果你对多模态模型、此外，本文方法都较 baseline 有了显著的提升，MAT-Coding 采用自动化流程构造针对 Agentic Coding 任务的 VQA 数据。或者通过互联网搜索回答多模态多跳问题（下图）。还能「动脑推理、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，先对视觉信息进行分析和推理，人工标注 + 搜索推理；

• MAT-Coding：包含 200 道复杂图像问答任务。

  因此，专为赋予视觉语言模型（LVLMs）以「工具智能体」能力而设计。上海 AI Lab、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），

  

  图 1. 视觉智能体强化微调（Visual Agentic Reinforcement Fine-Tuning，更加的得心应手。本文方法通过让 LVLM 学会推理与调用工具，

  在大型推理模型（例如 OpenAI-o3）中，

  同时，辅助作答。无论在 MAT-Search 还是在 MAT-Coding 上，或编写/执行代码以操控图像，

  并且，击败 GPT-4o。断层式超越了 GPT-4o 模型。就是让模型能够调用外部工具（如网页浏览器）进行搜索，凭借其多模态推理和工具调用能力，能够自主拆解问题、具体来说，通过少量数据实现了对模型的多模态智能体能力的训练。多模态输入，

在这一过程中，