详情

智东西开yun体育网

作家 | 李水青

裁剪 | 云鹏

智东西8月15日音问，当天晚间，阿里晓谕推出首个开源多模态深度盘考智能体（Deep Research Agent）——WebWatcher。

市面上的深度盘考器用屡见不鲜，但大多只可围绕笔墨进行搜索。WebWatcher的中枢立异点在于配备了增强的视觉话语推颖悟力，卤莽图文辘集念念考并调用多种器用，从而使盘考成果更深刻。

比如，当用户要分析一张图片里的信息，WebWatcher能调用 “图片搜索” 找联系图和评释，用 “OCR” 索要图片里的笔墨，用 “笔墨搜索” 查配景学问，用 “网页看望” 看具体网页执行，用 “代码器用” 算数据等。

▲WebWatcher开动案例

实验成果标明，WebWatcher在四个具有挑战性的VQA（视觉问答）基准测试中全面跳动于主流的开闭源多模态大模子：

其在Humanity’s Last Exam（HLE）-VL（复杂推理）、BrowseComp-VL（信息检索）、LiveVQA（学问整合）和MMSearch（团员类信息寻优）等任务测试中均获取高分，杰出GPT-4o、Gemini2.5-flash、Qwen2.5-VL-72B、Claude 3.7等模子。

▲WebWatcher测评得益

WebWatcher的本事有筹算掩饰了从数据构建到锤真金不怕火优化的齐全链路，中枢机议是让多模态Agent在高难度多模态深度盘考任务中具备纯真推理和多器用相投智力。通盘这个词次序包含三大神志：

1、多模态高难度数据生成：构建具备复杂推理链和信息污秽化的锤真金不怕火数据；

2、高质地推理轨迹构建与后锤真金不怕火：生成贴近真确多器用交互的推理轨迹，并通过监督微调（SFT）完成初步智力对都。然后期骗GRPO在复杂任务环境中进一步提高模子的决策智力与泛化性；

3、高难度基准评测：构建并使用BrowseComp-VL对模子的多模态深度推颖悟力进行考证。

为了更好地评估WebWatcher的智力，阿里建议了BrowseComp-VL，它是BrowseComp在视觉-话语任务上的推广版块，联想琢磨是靠拢东谈主类群众的跨模态盘考任务难度。

GitHub地址：

https://github.com/Alibaba-NLP/WebAgent

论文地址 ：

https://arxiv.org/abs/2508.05748

▲论文页面截图

结语：糟蹋视觉话语，向深度搜索Agent迈进

自2025年1月推出WebWalker多Agent框架之后，阿里在往时近八个月里加快迭代，链接推出了原生Agent搜索模子WebDancer、可践诺极复杂信息搜索的Agent搜索模子WebSailor、面向信息检索Agent的数据合成次序WebShaper，向通用搜索Agent抑止迈进。

本次，阿里最新推出的多模态深度盘考智能体WebWatcher开yun体育网，进一步糟蹋视觉话语深度盘考Agent的新前沿，其构建的BrowseComp-VL基准、自动化轨迹生成与锤真金不怕火过程，为处罚复杂多模态信息检索任务奠定基础，也为改日多模态深度盘考Agent发展提供场地。