蚂蚁：高效多模态搜索智能体框架
📖标题：SimpleSearch-VL: A Simple Recipe for Multimodal Agentic Deep Search
🌐来源：arXiv, 2606.31504v1
🛎️文章简介
🔸研究问题：如何解决现有多模态搜索智能体在训练效率、证据可靠性及系统实用性方面面临的瓶颈？
🔸主要贡献：论文提出SimpleSearch-VL框架，通过自适应采样、证据验证及自摘要机制，以极少数据实现媲美顶级闭源模型的性能。
📝重点思路
🔸提出因子化自适应Rollout（FAR）策略，将采样预算分解为提示扩展与Rollout分配两个维度，根据奖励信号动态调整，跳过冗余尾部样本并聚焦困难样本，显著提升RL训练效率。
🔸引入证据验证推理机制，在反向图搜返回结果中包含缩略图，强制模型在使用标题或URL前先进行视觉一致性校验，确保检索到的多模态证据真实可靠。
🔸采用目标导向的网页自摘要机制，由智能体自身根据查询目标提取网页关键信息，替代外部摘要模型，降低系统依赖并保持工具接口轻量化。
🔸构建高质量证据感知训练数据，利用大模型生成并审计工具交错轨迹，重写推理过程以显式包含验证步骤，仅用5K SFT和2K RL数据即可完成高效微调。
🔎分析总结
🔸SimpleSearch-VL-8B和30B-A3B变体在六个基准上平均得分分别提升15.8和16.0分，30B版本性能与Gemini-3-Pro相当，且8B版本超越多数开源30B模型。
🔸FAR策略在保持训练时间接近标准设置的同时，使平均分提升6.2分，有效缓解了长尾延迟问题并提高了困难样本的利用率。
🔸移除视觉缩略图验证导致性能平均下降约3分，证明显式视觉校验是多模态搜索可靠性的关键，而非仅仅是辅助元数据。
🔸自摘要机制比外部摘要器准确率更高且推理速度快28.5%，表明将网页理解内化于智能体中能更好适应特定搜索策略需求。
🔸相比OpenSearch-VL，本方法仅用七分之一的SFT数据和四分之一的RL数据即取得更优性能，证明优化采样与验证流程比单纯扩大数据规模更有效。
💡个人观点
论文通过FAR解决RL训练中的算力浪费痛点，利用缩略图验证填补了多模态检索的信任缺口，并以自摘要消除了外部模型依赖。