OneSearch-VL：统一的图像与视频多模态深度研究智能体

论文《OneSearch-VL: Unified Multimodal Deep Research Agent for Image and Video》于2026-10-08提交至arXiv，提出统一处理图像与视频深度研究任务的多模态智能体，关注价值在于把视觉定位、外部检索和事实组合纳入同一证据链。

• 系统以视觉支撑证据图VGEG表示视觉锚点、实体关系、来源事实与答案操作之间的依赖。
• 基于VGEG构建并验证多图像、视频问题，形成用于监督训练的数据集OneSearch-VL-SFT-110K和OneSearch-VL-RL-10K。
• 作者提出证据感知视觉支撑评分，用于强化学习阶段监督证据可追溯性和视觉定位。
• 论文新建多图像和视频基准，并报告OneSearch-VL-8B相较带工具的Qwen3-VL-8B分别提升20.2和17.6个百分点。
• 影响/看点：证据图与操作级评测可能改善多模态研究中的引用对应和视觉定位；但提升来自作者设计的数据、奖励和基准，能否代表开放网络中的事实核验能力，还取决于跨领域、噪声来源和未见视频上的测试。资料依据：
• arXiv论文（2026-10-08）：https://arxiv.org/abs/2610.12419
• OneSearch-VL官方GitHub仓库（2026-10-08）：https://github.com/appletea233/OneSearch-VL

本内容由 AI 生成，仅供参考，请注意甄别