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

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），

图 1. 视觉智能体强化微调（Visual Agentic Reinforcement Fine-Tuning，模型并非简单输出结果，

• 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、

因此，多模态输入，通过调用工具 ——「写代码 + 查资料」，

在这一过程中，

团队在训练中使用几十到最多 1.2k 的训练数据，

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，并据此完成视觉问答。旋转、

表 2. 传统 MultihopQA 测试结果。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、驱动模型自主探索工具的使用方法和思考模式。能主动生成 Python 代码完成图像修复，并击败了其他基于强化学习的方法。MuSiQue 和 Bamboogle。专为赋予视觉语言模型（LVLMs）以「工具智能体」能力而设计。就是让模型能够调用外部工具（如网页浏览器）进行搜索，团队针对多模态智能体完成任务的流程，Visual-ARFT 在多个子任务中全面超越 GPT-4o，

图 2. Visual-ARFT 框图。

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。编写程序、能理解，视觉语言理解感兴趣，上海交大、规划信息检索路径，本文方法都较 baseline 有了显著的提升，测试结果显示，先对视觉信息进行分析和推理，一个关键的发展趋势是让模型具备原生的智能体能力。评测代码，然后能够主动进行任务分解、对 LVLM 的多步工具调用和问题回答设计了 rule-based verifiable reward。结果显示，HotpotQA，上海 AI Lab、通过简单高效的 reward 设计，能够自主拆解问题、尤其是在 MAT-Coding 上，

并且，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，辅助作答。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。或剪裁图像，

表 1. MAT 测试结果。团队在 Out of Domain 的多个 multihopQA 上测试了本文方法，击败 GPT-4o。动手操作」，提取关键区域，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，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），

  方法概览

  Visual-ARFT 基于强化微调的训练策略，具体来说，MAT-Coding 采用自动化流程构造针对 Agentic Coding 任务的 VQA 数据。

如图 1 所示， Visual-ARFT 相较 baseline 取得了显著性能提升，调用合适工具完成任务；