工业级 deepresearch LLM如 tongyi-deepresearch、MiroThinker将文本 DeepResearch 性能从探索级提高到了与闭源模型的 agentic reasoning pipeline 相当的性能但多模态 DeepResearch 依然处在初期。DeepResearch 的价值在于把「查资料」变成「做研究」不是搜到一条就回答而是会连续多轮地提出问题、去不同地方找证据、互相对照核实、再把信息整理成结构清晰的结论。这样做能显著降低「凭感觉瞎编」的风险特别适合那些信息分散、容易混淆、需要多步推理和多来源佐证的复杂问题。工业级 deepresearch LLM如 tongyi-deepresearch、MiroThinker将文本 DeepResearch 性能从探索级提高到了与闭源模型的 agentic reasoning pipeline 相当的性能但多模态 DeepResearch 依然处在初期。图 1A指出现有多模态深度研究在图像搜索上的两大瓶颈忽视搜索引擎命中率问题单次全图 / 实体检索常失败不同尺度裁剪结果波动大以及推理深度与检索广度不足轨迹短、交互少。图 1B展示整体流程自动合成高质量 VQA 与多轮轨迹并通过 SFTRL 把深研能力内化到 MLLM 中使其能进行多轮、多实体、多尺度的视觉与文本搜索。底部结果对比表明在统一的 agentic 推理设置下模型以更小参数规模在 6 个基准上达到 SOTA。在现实世界中多模态 DeepResearch 有着重要意义其将研究能力从「只看文字」扩展到「文字 图片 / 图表 / 截图等」。现实世界里很多关键信息就藏在视觉内容里一张照片里的标志、一个产品细节、一页报告截图里的表格、一张地图或示意图。多模态 DeepResearch 能把这些视觉线索也当成证据来使用先从图片中抓住关键点再去查文字资料验证补全必要时再回到图片继续核对最后把图文证据一起整合成更可靠、更完整的答案。这样不仅覆盖的信息更全也更接近人类真实的研究方式。基于此作者构建了一个面向真实世界搜索环境的多模态 deep-research 大模型通过 VQA 数据合成 轨迹合成 冷启动 大规模强化学习解决当前工作所忽略的引擎命中率问题将推理轮数提高到数十轮与搜索引擎交互次数提高到了数百次。机构港中文 MMLab中科大小红书等HF daily paper:https://huggingface.co/papers/2601.22060https://huggingface.co/papers/2602.02185Project page: https://osilly.github.io/Vision-DeepResearch/相比于之前的 multimodal deep-research MLLM 在 6 个主流 benchmark 上几乎翻倍性能对比例如 gpt5、gemini2.5pro、claude4 等强大闭源模型的 agentic reasoning pipeline使用 30B-A3B 甚至 8B 参数规模几乎都取得了领先或者相当的性能。基线对比 Demo更多 case 展示现有一些多模态 DeepResearch 的探索在真实网页环境里经常卡在两道硬坎这导致他们缺乏实际应用价值命中率问题hit-rate被忽视一张全图 / 一次实体级查询往往被背景噪声带偏同一实体不同尺度裁剪检索结果差异巨大。推理深度与检索广度不足多数方法轨迹短、工具调用少难以完成多跳证据聚合与复杂问题的「试错式搜证」。Vision-DeepResearch 提出新的多模态深度研究范式把检索从「一次性操作」升级为多轮试探 — 反馈 — 再检索的长期交互过程支持几十步推理、上百次引擎交互让模型像人一样在噪声环境中不断缩小范围、验证证据最终稳定命中关键事实。方法核心多尺度视觉检索 文本深研接力 端到端内化整体路线是「高质量长轨迹合成 → 冷启动 SFT → 在线高效异步 RL 内化能力」多实体 / 多尺度视觉裁剪检索CIS模型先定位与问题相关区域生成多个 bbox 与不同尺度 crop 并行发起视觉搜索显著提升命中率。视觉→网页→摘要→验证的证据管线视觉搜索返回 URL 后访问网页并用辅助模型做摘要与图文一致性验证过滤噪声提炼可用证据。桥接文本 DeepResearch 能力利用强文本 DeepResearch 基础模型生成对应的文本搜索长轨迹实现跨模态长视野推理迁移。训练策略先用约 30K 长轨迹做 SFT 教会「怎么搜、怎么查、怎么写轨迹」再用在线强化学习在真实在线搜索环境中优化策略纯准确率奖励 多种工程稳定化技巧把深研行为真正「内化」为模型能力。图 2 数据管线高质量轨迹数据生成多跳复杂 VQA 合成实验小参数也能打到 SOTA长视野交互是关键增益来源性能强大在 VDR、FVQA、MMSearch ()、LiveVQA、BC-VL 等 6 个基准上Vision-DeepResearch-8B 在同等 agent 设置下相比 Qwen3-VL-8B-InstructAgentic平均提升约 10.4%。Vision-DeepResearch-30B-A3B 进一步把整体成绩推到更高水平平均提升约 16.0%在多个基准上持续扩大优势。超越 GPT-5、Gemini-2.5-Pro、Claude-4-Sonnet 等强大闭源模型构成的 deep-research 系统的性能。消融结论明确仅全图检索WIS收益有限且易受噪声干扰多尺度裁剪CIS显著提升视觉命中CIS 文本搜索TS组合最好同时满足「视觉锚点精准 长尾知识补全」RL 进一步把长视野决策做稳模型学会用更少但更有效的步骤拿到更高回报。VDR-Bench重新定义视觉深研评测2,000 条「必须做视觉搜索」的真实难题专治文本捷径与全图完美检索多模态深度研究系统越来越多但评测却长期「不对题」很多基准存在两类系统性漏洞不够「视觉搜索中心」答案常被问题文本线索泄露甚至可用模型先验知识 / 纯文本检索绕过视觉验证导致分数虚高。检索场景过于理想化全图反搜经常命中几乎一模一样的「近重复图片 标题元信息」形成「完美检索perfect retrieval」没测到真实环境下的定位、裁剪、试错与跨模态核验能力。文搜搜索深度太浅无法反映真实世界的复杂性。图 3 现有评测基准两大缺陷VDR-Bench 为此提出一套更贴近现实的评测基准2,000 条多跳 VQA覆盖 10 个视觉域强调必须通过局部实体发现 迭代裁剪检索 文本多跳推理才能可靠作答从源头减少捷径与「全图一把梭」基准构建核心从「视觉实体」出发强制闭环证据链VDR-Bench 采用严格的「视觉优先」多阶段流程人工裁剪 Web 级视觉搜索标注者优先裁剪显著局部logo / 人物 / 地标 / 产品等而非整图模拟真实搜图行为。实体抽取与验证从检索结果标题 / 描述抽取候选实体经 MLLM 过滤一致性再由人工核验确保实体不是「全图轻松搜到」的近重复泄露。Seed VQA 生成围绕已验证视觉实体生成需要显式识别与落地的问答。知识图谱随机游走做多跳扩展把问题升级为「从视觉实体出发」的多跳推理总部城市 / 创始人 / 年份 / 关联组织等。可解性与去捷径审核自动与人工双重检查确保必须依赖记录下来的视觉检索证据与推理路径避免歧义与 shortcut。图 4 多阶段数据标注管道在 VDR-Bench 上模型必须主动检索才有明显提升并且作者发现「Lazy Search懒搜索」越强的模型越可能依赖先验知识、反而不愿意充分调用视觉检索导致深研题表现不匹配其基础能力。为缓解这一点作者提出 Multi-turn Visual ForcingMVF在推理流程上强制多轮、多尺度裁剪与验证大幅提升深度检索性能。意义与未来Vision-DeepResearch 证明多模态深研能力的关键不只是「会调用工具」而是要在噪声世界里形成长视野、可试错、可验证的检索 — 推理闭环并且通过可规模化数据合成与 RL可以把这种行为从 workflow 变成模型的内生能力。VDR-Bench 把「视觉深研」从「能不能答对」升级为「能不能在噪声世界里定位 — 检索 — 验证 — 多跳推理」为后续模型与 Agent 训练提供更真实的测试平台也让社区更清楚下一代多模态深研系统的瓶颈到底在哪里