蚂蚁：高效多模态搜索智能体框架

标题SimpleSearch-VL: A Simple Recipe for Multimodal Agentic Deep Search来源arXiv, 2606.31504v1️文章简介研究问题如何解决现有多模态搜索智能体在训练效率、证据可靠性及系统实用性方面面临的瓶颈主要贡献论文提出SimpleSearch-VL框架通过自适应采样、证据验证及自摘要机制以极少数据实现媲美顶级闭源模型的性能。重点思路提出因子化自适应RolloutFAR策略将采样预算分解为提示扩展与Rollout分配两个维度根据奖励信号动态调整跳过冗余尾部样本并聚焦困难样本显著提升RL训练效率。引入证据验证推理机制在反向图搜返回结果中包含缩略图强制模型在使用标题或URL前先进行视觉一致性校验确保检索到的多模态证据真实可靠。采用目标导向的网页自摘要机制由智能体自身根据查询目标提取网页关键信息替代外部摘要模型降低系统依赖并保持工具接口轻量化。构建高质量证据感知训练数据利用大模型生成并审计工具交错轨迹重写推理过程以显式包含验证步骤仅用5K SFT和2K RL数据即可完成高效微调。分析总结SimpleSearch-VL-8B和30B-A3B变体在六个基准上平均得分分别提升15.8和16.0分30B版本性能与Gemini-3-Pro相当且8B版本超越多数开源30B模型。FAR策略在保持训练时间接近标准设置的同时使平均分提升6.2分有效缓解了长尾延迟问题并提高了困难样本的利用率。移除视觉缩略图验证导致性能平均下降约3分证明显式视觉校验是多模态搜索可靠性的关键而非仅仅是辅助元数据。自摘要机制比外部摘要器准确率更高且推理速度快28.5%表明将网页理解内化于智能体中能更好适应特定搜索策略需求。相比OpenSearch-VL本方法仅用七分之一的SFT数据和四分之一的RL数据即取得更优性能证明优化采样与验证流程比单纯扩大数据规模更有效。个人观点论文通过FAR解决RL训练中的算力浪费痛点利用缩略图验证填补了多模态检索的信任缺口并以自摘要消除了外部模型依赖。