腾讯开源OpenSearch-VL，突破多模态搜索AI智能体训练瓶颈

数码芝华士

IT之家 5 月 7 日消息，腾讯混元（Tencent Hunyuan）携手加州大学洛杉矶分校（UCLA）、香港中文大学等学府，联合发布 OpenSearch-VL 开源多模态训练方案，通过强化学习（RL）技术，打造具备前沿能力的深度搜索智能体。

多模态搜索智能体指能够处理图像、文本等多种模态输入，并主动调用外部工具（如搜索引擎、图像处理工具）进行多步骤推理、证据验证与知识检索的智能体，旨在解决知识密集型的复杂视觉问答。

该报告昨日（5 月 6 日）在 arXiv 平台发表，介绍了 OpenSearch-VL 方案，用于训练前沿多模态深度搜索智能体。研究构建了高质量数据管道，通过维基百科路径采样与模糊实体重写减少检索捷径，产出 SearchVL-SFT-36k 等数据集。

研究团队指出，目前阻碍前沿多模态搜索智能体进化的最大瓶颈，在于高质量的训练数据。现有顶尖系统多由商业公司主导，其数据来源、过滤标准与工具使用轨迹均属私有，阻碍了先进能力的复现与系统性研究。

研究提出 OpenSearch-VL，提供从数据、工具到训练算法的完整开源方案。

在构建数据管道方面，OpenSearch-VL 提出利用维基百科的超链接图谱，执行多跳实体路径采样，将中间实体重写为模糊描述，并将锚点实体锚定至源图像，从而抑制单步检索捷径，鼓励智能体学习多跳搜索与推理行为。

管道产出 SearchVL-SFT-36k 数据集用于监督微调，平均每轨迹包含 6.3 次工具调用。同时，随机选取 10% 数据应用模糊、下采样等降质处理，配对增强工具，诱导“边思考边处理图像”的行为。

工具环境超越仅检索的智能体，统一文本搜索、图像搜索、OCR、裁剪、锐化、超分辨率与透视校正等功能。这允许智能体在查询外部知识前，先处理模糊、低分辨率或倾斜的视觉输入，实现主动感知与知识获取的结合。

实验显示，OpenSearch-VL-30B-A3B 模型将基线平均得分从 47.8 提升至 61.6，在 VDR、MMSearch 等基准上取得显著增益。消融实验验证了各组件贡献：移除源锚点锚定、模糊重写或分阶段过滤导致平均得分下降 8.2 至 11.5 点。