DeepResearch 的价值在于把「查资料」酿成「做研究」：不是搜到一条就回覆，，，，， ，，而是会一连多轮地提出问题、去差别地方找证据、相互比照核实、再把信息整理成结构清晰的结论。。。。。。这样做能显著降低「凭感受瞎编」的危害，，，，， ，，特殊适合那些信息疏散、容易混淆、需要多步推理和多泉源佐证的重大问题。。。。。。
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子的 agentic reasoning pipeline 相当的性能，，，，， ，，但多模态 DeepResearch 依然处在初期。。。。。。
图 1A：指泛起有多模态深度研究在图像搜索上的两大瓶颈：忽视搜索引擎掷中率问题（单次全图 / 实体检索常失败，，，，， ，，差别标准裁剪效果波动大），，，，， ，，以及推理深度与检索广度缺乏（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 SFT+RL 把深研能力内化到 MLLM 中，，，，， ，，使其能举行多轮、多实体、多标准的视觉与文本搜索。。。。。。底部效果比照批注：在统一的 agentic 推理设置下，，，，， ，，模子以更小参数规模在 6 个基准上抵达 SOTA。。。。。。
在现实天下中，，，，， ，，多模态 DeepResearch 有着主要意义，，，，， ，，其将研究能力从「只看文字」扩展到「文字 + 图片 / 图表 / 截图等」。。。。。。现实天下里许多要害信息就藏在视觉内容里：一张照片里的标记、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：先从图片中捉住要害点，，，，， ，，再去查文字资料验证补全，，，，， ，，须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、更完整的谜底。。。。。。这样不但笼罩的信息更全，，，，， ，，也更靠近人类真实的研究方法。。。。。。
基于此，，，，， ，，作者构建了一个面向真实天下搜索情形的多模态 deep-research 大模子，，，，， ，，通过 VQA 数据合成 + 轨迹合成 + 冷启动 + 大规模强化学习，，，，， ，，解决目今事情所忽略的引擎掷中率问题，，，，， ，，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 上险些翻倍性能，，，，， ，，比照例如 gpt5、gemini2.5pro、claude4 等强盛闭源模子的 agentic reasoning pipeline，，，，， ，，使用 30B-A3B 甚至 8B 参数规模险些都取得了领先或者相当的性能。。。。。。
基线比照 Demo：
https://mp.weixin.qq.com/s/E3chyoaLVtaMI1MAL6zAhA?click_id=1
更多 case 展示：
https://mp.weixin.qq.com/s/E3chyoaLVtaMI1MAL6zAhA?click_id=1
https://mp.weixin.qq.com/s/E3chyoaLVtaMI1MAL6zAhA?click_id=1
https://mp.weixin.qq.com/s/E3chyoaLVtaMI1MAL6zAhA?click_id=1
https://mp.weixin.qq.com/s/E3chyoaLVtaMI1MAL6zAhA?click_id=1
现有一些多模态 DeepResearch 的探索，，，，， ，，在真实网页情形里经�？？ ？ ？？ㄔ诹降烙部玻�，，，， ，，这导致他们缺乏现实应用价值：
掷中率问题（hit-rate）被忽视：一张全图 / 一次实体级盘问往往被配景噪声带偏；；；； ；；统一实体差别标准裁剪，，，，， ，，检索效果差别重大。。。。。。推理深度与检索广度缺乏：大都要领轨迹短、工具挪用少，，，，， ，，难以完成多跳证据聚合与重大问题的「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 — 反响 — 再检索的恒久交互历程，，，，， ，，支持几十步推理、上百次引擎交互，，，，， ，，让模子像人一样在噪声情形中一直缩小规模、验证证据，，，，， ，，最终稳固数中要害事实。。。。。。
要领焦点：多标准视觉检索 + 文本深研接力 + 端到端内化
整体蹊径是「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 / 多标准视觉裁剪检索（CIS）：模子先定位与问题相关区域，，，，， ，，天生多个 bbox 与差别标准 crop 并行提倡视觉搜索，，，，， ，，显著提升掷中率。。。。。。视觉→网页→摘要→验证的证据管线：视觉搜索返回 URL 后，，，，， ，，会见网页并用辅助模子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：使用强文本 DeepResearch 基础模子天生对应的文本搜索长轨迹，，，，， ，，实现跨模态长视野推理迁徙。。。。。。训练战略：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着实线搜索情形中优化战略（纯准确率奖励 + 多种工程稳固化技巧），，，，， ，，把深研行为真正「内化」为模子能力。。。。。。
图 2 数据管线高质量轨迹数据天生；；；； ；；多跳重大 VQA 合成
实验：小参数也能打到 SOTA，，，，， ，，长视野交互是要害增益泉源
性能强盛：在 VDR、FVQA、MMSearch (+)、LiveVQA、BC-VL 等 6 个基准上：
Vision-DeepResearch-8B 在一律 agent 设置下，，，，， ，，相比 Qwen3-VL-8B-Instruct（Agentic）平均提升约 + 10.4%Vision-DeepResearch-30B-A3B 进一步把整体效果推到更高水平（平均提升约 + 16.0%），，，，， ，，在多个基准上一连扩大优势。。。。。。逾越 GPT-5、Gemini-2.5-Pro、Claude-4-Sonnet 等强盛闭源模子组成的 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滋扰；；；； ；；多标准裁剪（CIS）显著提升视觉掷中；；；； ；；CIS + 文本搜索（TS）组合最好，，，，， ，，同时知足「视觉锚点精准 + 长尾知识补全」；；；； ；；RL 进一步把长视野决议做稳：模子学会用更少但更有用的办法拿到更高回报。。。。。。
VDR-Bench：重新界说视觉深研评测！2,000 条「必需做视觉搜索」的真实难题，，，，， ，，专治文本捷径与全图完善检索
多模态深度研究系统越来越多，，，，， ，，但评测却恒久「差池题」：许多基准保存两类系统性误差：
不敷「视觉搜索中心」：谜底常被问题文本线索泄露，，，，， ，，甚至可用模子先验知识 / 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：全图反搜经常掷中险些一模一样的「近重复图片 + 问题元信息」，，，，， ，，形成「完善检索（perfect retrieval）」，，，，， ，，没测到真真相形下的定位、裁剪、试错与跨模态核验能力。。。。。。文搜搜索深度太浅，，，，， ，，无法反应真实天下的重大性。。。。。。
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，，，，， ，，笼罩 10 个视觉域，，，，， ，，强调必需通过局部实体发明 + 迭代裁剪检索 + 文本多跳推理才华可靠作答，，，，， ，，从源头镌汰捷径与「全图一把梭」
基准构建焦点：从「视觉实体」出发，，，，， ，，强制闭环证据链
VDR-Bench 接纳严酷的「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：从检索效果问题 / 形貌抽取候选实体，，，，， ，，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 天生：围绕已验证视觉实体天生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（总部都会 / 首创人 / 年份 / 关联组织等）。。。。。�？？ ？ ？？山庑杂肴ソ菥渡蠛耍鹤远肴斯に丶觳椋�，，，， ，，确保必需依赖纪录下来的视觉检索证据与推理路径，，，，， ，，阻止歧义与 shortcut。。。。。。
图 4 多阶段数据标注管道
在 VDR-Bench 上，，，，， ，，模子必需自动检索才有显着提升，，，，， ，，并且作者发明「Lazy Search（懒搜索）」：越强的模子越可能依赖先验知识、反而不肯意充分挪用视觉检索，，，，， ，，导致深研题体现不匹配其基础能力。。。。。。
为缓解这一点，，，，， ，，作者提出Multi-turn Visual Forcing（MVF）：在推理流程上强制多轮、多标准裁剪与验证，，，，， ，，大幅提升深度检索性能。。。。。。
意义与未来
Vision-DeepResearch 证实：多模态深研能力的要害不但是「会挪用工具」，，，，， ，，而是要在噪声天下里形生长视野、可试错、可验证的检索 — 推理闭环；；；； ；；并且通过可规�；；；； ；；莺铣捎� RL，，，，， ，，可以把这种行为从 workflow 酿成模子的内生能力。。。。。。
VDR-Bench 把「视觉陕西古都文旅投资有限公司深研」从「能不可答对」升级为「能不可在噪声天下里定位 — 检索 — 验证 — 多跳推理」，，，，， ，，为后续模子与 Agent 训练提供更真实的测试平台，，，，， ，，也让社区更清晰：下一代多模态深研系统的瓶颈究竟在那里？？ ？ ？？