正文

请到「今天看啥」查看全文

面对复杂任务，能够自主拆解问题、规划步骤、调用合适工具完成任务；

支持多步推理、多模态输入，具备强大的跨模态泛化能力！

如图 1 所示，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），或者通过互联网搜索回答多模态多跳问题（下图）。

图 1. 视觉智能体强化微调（Visual Agentic Reinforcement Fine-Tuning，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，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，以及（下图）通过互联网搜索回答多跳问题。

同时，为了评估模型的工具调用和多模态推理能力，团队构建了智能体评测基准 MAT-Bench (Multimodal Agentic Tool Bench) 。测试结果显示，Visual-ARFT 在多个子任务中全面超越 GPT-4o，通过调用工具 ——「写代码 + 查资料」，展现出了完成复杂多模态视觉任务的强大潜力。

方法概览

Visual-ARFT 基于强化微调的训练策略，使用 GRPO 的算法来更新模型权重。团队针对多模态智能体完成任务的流程，对 LVLM 的多步工具调用和问题回答设计了 rule-based verifiable reward。通过简单高效的 reward 设计，驱动模型自主探索工具的使用方法和思考模式。

团队在训练中使用几十到最多 1.2k 的训练数据，通过少量数据实现了对模型的多模态智能体能力的训练。

图 2. Visual-ARFT 框图。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 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，先对视觉信息进行分析和推理，然后能够主动进行任务分解、规划信息检索路径，通过调用搜索引擎获取外部知识并整合作答。

• Agentic Coding： 模型面对模糊、旋转、曝光过强等复杂图像，能主动生成 Python 代码完成图像修复，或剪裁图像，提取关键区域，并据此完成视觉问答。

在这一过程中，模型并非简单输出结果，而是具备完整的推理结构：

每一步都以 思考引导、

检索信息、 编写程序、 给出结论，真正形成可解释的多模态认知路径。

MAT 基准

请到「今天看啥」查看全文