多个研究机构 2026 年 1 月联合发布的论文《Vision-DeepResearch》提出首个长时序多模态深度研究模型,支持数十轮推理与数百次真实搜索引擎交互,8B 参数版本在六个基准上平均 50.5 分,超过基于 GPT-5、Gemini-2.5 Pro 构建的智能体工作流。
现有多模态深度研究采用”推理-然后-工具调用”(ReAct)范式,存在三个局限:推理轮次有限,无法处理需要深度研究的复杂任务;缺乏多尺度、多实体的视觉与文本搜索能力;深度研究能力停留在外部工具调用,没有内化为模型自身能力。换句话说,查两下就放弃的不是模型态度,而是架构上限:外部编排无法支撑长链条的研究任务。
范式与训练策略
Vision-DeepResearch 的新范式包含四个要素:支持数十轮推理步骤的多轮推理;同时处理多个实体查询的多实体搜索;支持图像裁剪与图像搜索的多尺度视觉搜索;与真实搜索引擎进行数百次交互。模型配套四类工具:多尺度图像裁剪、图像搜索、文本搜索、网页浏览,推理流程为推理、工具调用、观察整合、下一步推理,循环直到给出最终答案。每一轮观察结果都会被整合进后续推理,信息随交互逐步累积,而不是查一次就交卷。
训练分两步,目标是把研究能力刻进模型本身。第一步冷启动监督训练(SFT),用高质量 VQA 实例和多轮轨迹微调;第二步强化学习(RL)进一步优化深度研究能力。相当于先学优秀研究员的完整操作轨迹,再通过大量练习自我提升。站内另一篇《MiroFlow 开源深度研究智能体框架》走的是外部工作流路线,两者恰好构成对照。
基准表现与 VDR-Bench
在 VDR、FVQA、MMSearch+、MMSearch、LiveVQA、BC-VL 六个基准上,直接回答模式的 GPT-5 平均 37.4 分、Gemini-2.5 Pro 平均 37.7 分;改造成智能体工作流后,GPT-5 提升到 48.3 分,Gemini-2.5 Pro 到 50.7 分。Vision-DeepResearch-8B 平均 50.5 分,在 VDR 基准上拿到 29.2 分,明显高于 GPT-5 工作流的 20.4 分;MMSearch 上 69.6 分与 Gemini-2.5 Pro 工作流持平,LiveVQA 上 76.7 分为全场最高。
更大的 Vision-DeepResearch-30B-A3B 平均 56.9 分,在六个基准中五个领先。对比各自的基础模型,8B 版本平均提升 10.4 分,30B-A3B 版本平均提升 16.0 分,其中 MMSearch+ 从 10.0 分升到 28.5 分。
评估方面,团队同步发布了配套基准 VDR-Bench(论文《Vision-DeepResearch Benchmark》),针对多模态大型语言模型重新思考视觉与文本搜索,支持多尺度、多实体的搜索评估。
开源生态
项目已开放代码、数据集与模型权重:SFT 与 RL 训练代码于 2026 年 2 月发布,数据集包括冷启动数据集与 RL 数据集的演示版、VDR-Bench 完整版与 testmini 版,模型权重提供 8B(仅 SFT)版本,30B-A3B(SFT+RL)版本即将发布。GitHub 仓库截至 2026 年 3 月 1 日已有 377 个 Star、38 个 Fork。
核心贡献有三点:首个把推理扩展到数十轮、搜索交互扩展到数百次的长时序多模态深度研究模型;用监督加强化学习把深度研究内化为模型能力而非外部编排;在多个基准上超越闭源顶级模型构建的工作流,为自动化研究助手提供了可复现的开源基座。对需要跨多个实体收集信息、多源信息整合与复杂决策支持的场景,这套能力给出了从演示走向实用的路径。