OneSearch-VL把图片线索、网页证据和答案连起来

多模态Agent / 视觉检索 · 8.5/10 · 建议看论文与公开工件

问一段视频里的人物是谁，模型可以截一帧、搜网页、给出名字。难题从这里才开始：如果答案还要比较两段镜头、计算出现次数，或把画面里的物体与网页上的事实合在一起，仅保存一句“搜索过了”无法核对推理过程。《OneSearch-VL》在10月8日提交，给这种检索过程做了一张“视觉证据图”：节点记录画面中的具体区域、视频帧、网页事实，连线写明答案怎样由它们比较、拼接或计算出来。

这张图不只是写给读者看的引用。团队先用它构造多图和视频问题，筛掉证据链不完整的训练轨迹；训练时又用它检查Agent有没有找到必要事实、有没有看对画面；评测时则把任务分成查找、跨帧连接、计数、运算等动作。这样，同一个8B模型既可以查单图，也可以在多张图和视频里寻找线索。研究者公开了权重、数据集和训练/推理代码，其中多图基准有301题，视频基准有307题。

作者报告，在团队新建的多图和视频基准上，OneSearch-VL-8B分别比可调用工具的Qwen3-VL-8B高20.2和17.6个百分点。这里真正值得继续检验的，是证据图能否减少“答案对了却引用错画面”的情况，而非只盯总分。两个主要基准由作者自行构建，检索还依赖会变化的外部网页；论文也承认自动构图和模型评分可能有误差。HF模型页有可下载权重，但目前没有模型卡，复用前还需核对权重许可与依赖服务。