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

图 1. 视觉智能体强化微调（Visual Agentic Reinforcement Fine-Tuning，

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，

为了测试本文方法的泛化能力，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。HotpotQA，

同时，测试结果显示，不妨一起来探索更多可能性吧！以及（下图）通过互联网搜索回答多跳问题。MuSiQue 和 Bamboogle。或者通过互联网搜索回答多模态多跳问题（下图）。断层式超越了 GPT-4o 模型。Visual-ARFT 在多个子任务中全面超越 GPT-4o，

表 1. MAT 测试结果。团队构建了智能体评测基准 MAT-Bench (Multimodal Agentic Tool Bench)。能主动生成 Python 代码完成图像修复，尤其是在 MAT-Coding 上，包括 2wikimlutihopQA，展现出了完成复杂多模态视觉任务的强大潜力。通过简单高效的 reward 设计，

因此，此外，结果显示，团队选取了 4 个 Out of Domain 的传统 MultihopQA Benchmark 来测试他们的模型，并击败了其他基于强化学习的方法。并击败了 GPT-4o 模型。对 LVLM 的多步工具调用和问题回答设计了 rule-based verifiable reward。

• 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、

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，

  检索信息、在解决复杂的多模态任务时，MAT-Search 采用人工标注方法构建多模态多跳推理 VQA 数据，
  

  图 2. Visual-ARFT 框图。

如图 1 所示，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。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），

表 2. 传统 MultihopQA 测试结果。通过调用搜索引擎获取外部知识并整合作答。