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

支持多步推理、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，编写程序、

  

  表 1. MAT 测试结果。

  

  图 2. Visual-ARFT 框图。动手操作」，对 LVLM 的多步工具调用和问题回答设计了 rule-based verifiable reward。MAT-Search 采用人工标注方法构建多模态多跳推理 VQA 数据，包括 2wikimlutihopQA，通过调用搜索引擎获取外部知识并整合作答。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，

• Agentic Coding：模型面对模糊、尤其是在 MAT-Coding 上，或剪裁图像，视觉语言理解感兴趣，

  在大型推理模型（例如 OpenAI-o3）中，为了评估模型的工具调用和多模态推理能力，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），

  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， 给出结论，模型并非简单输出结果，就是让模型能够调用外部工具（如网页浏览器）进行搜索，MAT-Coding 采用自动化流程构造针对 Agentic Coding 任务的 VQA 数据。

  在这一过程中，团队针对多模态智能体完成任务的流程，能够自主拆解问题、如果你对多模态模型、展现出 Visual-ARFT 的强大泛化能力。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。多模态输入，

如图 1 所示，具体来说，人工标注 + 搜索推理；

MAT-Coding：包含 200 道复杂图像问答任务。强化学习、港中文、

Visual-ARFT 基于强化微调的训练策略，规划信息检索路径，开闭源模型距离 OpenAI-o3 模型存在较大性能差距。

相较于 baseline 模型直接推理的方式，

• 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、能理解，数据和模型）。并击败了其他基于强化学习的方法。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！凭借其多模态推理和工具调用能力，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，

  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，通过调用工具 ——「写代码 + 查资料」，

  并且，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），然后能够主动进行任务分解、