论文页面 - DeepVoyager-VL：激励视觉在环搜索以实现长视野多模态智能体

来源：https://huggingface.co/papers/2608.01827 作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

多模态大语言模型（MLLMs）推动了视觉理解与推理的进步，但其静态参数化知识限制了它们解决知识密集型且动态演变的开放世界问题的能力。为突破这一限制，多模态深度搜索应运而生，成为开放世界信息访问的关键方向，从单轮事实检索演进为由视觉证据引导的长视野多轮搜索。然而，现有方法通常将视觉局限于输入或答案阶段，忽略了其在中间推理中的作用，并且缺乏针对长视野交互的设计。因此，视觉证据很少能驱动持续检索，限制了交互深度和推理跨度。为解决这些问题，我们提出了 DeepVoyager-VL，一个用于视觉在环搜索的长视野多模态深度搜索框架。具体而言，我们构建多模态事件图来驱动数据合成，从而产生具有中间视觉依赖和长推理链的问题。然后，我们设计了一个用于主动视觉获取和按需图像加载的智能体框架。最后，我们在合成数据上微调模型，而无需强化学习。在十个多模态搜索基准上的广泛实验证明了我们方法的有效性。

查看 arXiv 页面 (https://arxiv.org/abs/2608.01827) 查看 PDF (https://arxiv.org/pdf/2608.01827) 项目页面 (https://halcyon-zhang.github.io/DeepVoyager-VL/) GitHub1 (https://github.com/Halcyon-Zhang/DeepVoyager-VL) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2608.01827)

将这篇论文放入你的智能体：

hf papers read 2608\.01827

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用该论文的模型0

没有链接该论文的模型

在模型 README.md 中引用 arxiv.org/abs/2608.01827 即可从本页链接到该模型。

引用该论文的数据集0

没有链接该论文的数据集

在数据集 README.md 中引用 arxiv.org/abs/2608.01827 即可从本页链接到该数据集。

引用该论文的 Space0

没有链接该论文的 Space

在 Space README.md 中引用 arxiv.org/abs/2608.01827 即可从本页链接到该 Space。

包含该论文的收藏0

没有包含该论文的收藏

将这篇论文添加到收藏 (https://huggingface.co/new-collection) 以从本页链接到它。