现有的多模态大模型在处理复杂现实世界问题时，常因视觉噪声和推理深度不足而受限。Vision-DeepResearch范式提出了一种全新的解决方案，通过执行多轮、多尺度的深度搜索，有效增强了模型的证据汇总和事实检索能力，为解决复杂视觉任务提供了新思路。
智能速览
现有MLLM在噪声环境下，因推理与搜索深度受限而表现不佳。
Vision-DeepResearch提出一种多模态深度研究新范式。
该范式支持多轮、多实体、多尺度的视觉与文本搜索。
通过数百次引擎交互，模型能鲁棒地命中真实世界信息。
其能力超越现有模型，包括基于GPT-5等闭源模型的工作流。
精华内容
Vision-DeepResearch的核心突破在于它如何将深度研究的能力内化到模型中，从而超越简单的工具调用，实现真正意义上的自主深度探索。
现有模型局限
当前多模态大语言模型（MLLM）在处理需要大量事实信息的任务时，常采用“先推理后调用工具”的增强方式。然而，这些方法存在明显局限。它们通常假设单个图像查询和少量文本查询足以检索关键证据，这在充满视觉噪声的现实场景中并不实用。此外，这些方法在推理深度和搜索广度上受限，难以从多样化来源汇总证据以解决复杂问题。
深度研究范式
针对上述挑战，Vision-DeepResearch提出了一种全新的多模态深度研究范式。其核心在于执行多轮、多实体和多尺度的视觉及文本搜索。这意味着模型不再满足于单次查询，而是能进行数十个推理步骤和数百次与搜索引擎的交互，即便在重度噪声环境下也能鲁棒地命中现实世界信息，完成复杂的证据汇总任务。
内化能力构建
为了构建一个强大的端到端多模态深度研究模型，研究者通过冷启动监督和强化学习相结合的方式进行训练。这种训练方法旨在将深度研究的能力“内化”到多模态大语言模型中，使其不再依赖外部的复杂工作流，而是自主地执行深度研究，从而实现能力的原生集成与高效运行。
性能超越基准
最终构建的MLLM在性能上实现了显著超越。它不仅超过了现有的多模态深度研究模型，更重要的是，其表现优于基于GPT-5、Gemini-2.5-pro和Claude-4-Sonnet等顶级闭源基座模型所构建的工作流。这标志着该范式的有效性和前沿性，为多模态AI研究树立了新的标杆。
Vision-DeepResearch不仅是对多模态模型能力的显著增强，更指明了AI从简单问答走向深度研究的重要方向。这种内化的研究能力，未来会如何改变人机协作解决问题的边界？
