OneSearch-VL-8B比带工具调用的Qwen3-VL-8B，在两个新的多模态视觉基准上，分别高出20.2和17.6个百分点。同参数级别的模型，差十几个点已经是很明显的能力差距——这不是小修小补，是捅破了多模态深度研究的一层关键窗户纸。
它要解决的不是“看”，是“研究”
普通视觉语言模型（VL）能干的，无非是识别、描述图里的内容，要干“深度研究”就经常卡壳：比如给几张历史人物合影，普通模型能认出人是谁，但要查他们的关系、合影的时间出处，就没法把跨环节的信息串起来。之前的单图、多图、视频任务，各走各的逻辑，没有统一的研究框架，导致模型没法形成完整的推理链条。OneSearch-VL的核心，是把单图、多图、视频的深度研究归到同一个工作流里——不管哪种视觉输入，都要走视觉定位、外部检索、事实合成三步，这是它“统一”的根基，但真正难的是，要留住研究过程里的依赖关系：比如定位到图里的某个视觉锚点（像合影里的某个人），对应的实体关系、支撑关系的事实来源、最后合成答案的每一步，都要关联起来，不能断。
用VGEG把研究“结构化”，再用数据“喂明白”
它的秘密武器叫VGEG，直译是“视觉定位证据图”，直白说，就是把整个研究过程做成一张关联图——每个环节的依赖都标得清清楚楚，从视觉锚点到实体关系，再到外部检索的事实，最后到答案，全串成线。这东西是数据的骨架：他们用这个骨架构建了11万条SFT数据、1万条RL数据，还给RL训练做了专门的奖励函数，盯的就是“证据有没有追踪到”“视觉定位准不准”，避免模型为了凑答案瞎编。有了这套结构化的数据和奖励机制，模型的研究逻辑就不会跑偏，这也是它能拉开差距的核心原因。
对行业来说，这是补了一块“测试空白”
之前的多模态测试，要么是简单的看图问答，要么是视频动作识别，很少有针对“深度研究”的细粒度基准。这次OneSearch-VL带着两个新基准出来：OneSearch-MI-Bench和OneSearch-Video-Bench，这些基准里的问题，全是按研究过程的VGEG来设计的，相当于把“会不会严谨研究”的标尺给做出来了。实验数据也坐实了它的能力：比同参数带工具的Qwen3-VL-8B高了那二十个百分点，还在7个图像基准和VideoDR上有显著提升，甚至连GitHub仓库（appletea233/OneSearch-VL）都放出来了，相当于给行业递了个可复用的参考工具。
现在多模态模型都在往“通用”上卷，既要能聊天又要能画图还要能算题，但OneSearch-VL偏偏死磕“深度研究”这个细分方向。那未来，是做“什么都能凑一点”的通用模型更有竞争力，还是在“需要严谨查证”的场景里，这种结构化设计的模型更吃香？
素材来源：arXiv (LLM/多模态新论文) · AI情报、大模型、AI智能体、科研前沿
查看报道原文
发表第一条评论吧