OneSearch-VL：统一多模态深度研究智能体
arXiv 上新出的论文提出 OneSearch-VL，用「视觉锚定证据图（VGEG）」把图像与视频深度研究中的视觉定位、外部检索与事实组织串联起来，并以此构建训练数据和过程监督。作者据此搭建了 SFT 与 RL 数据集（OneSearch-VL-SFT-110K、OneSearch-VL-RL-10K）和证据感知强化学习奖励 EVGR，以及 OneSearch-MI-Bench、OneSearch-Video-Bench 两个评测集。论文称 OneSearch-VL-8B 在可调用工具的情况下，于这两个新基准上分别比 Qwen3-VL-8B 高出 20.2 和 17.6 个百分点，并在另外 7 个图像基准和 VideoDR 上有明显提升。
它把图像与视频的多模态检索式研究统一到同一套证据图谱框架下，为多模态深度研究智能体的训练与评测提供了一个可参考的思路。
Computer Science > Computer Vision and Pattern Recognition
arXiv:2610.12419 (cs)
[Submitted on 8 Oct 2026]
Title:OneSearch-VL: Unified Multimodal Deep Research Agent for Image and Video
Authors:Hongyu Li, Manyuan Zhang, Kaituo Feng, Shu Chen, Dian Zheng, Hao Li, Hao Yu, Zhangquan Chen, Zoey Guo, Ray Zhang, Shaofei Huang, Tianrui Hui, Linjiang Huang, Si Liu
View a PDF of the paper titled OneSearch-VL: Unified Multimodal Deep Research Agent for Image and Video, by Hongyu Li and 13 other authors
#OneSearch-VL#OneSearch-VL-8B#Qwen3-VL#OneSearch-MI-Bench#OneSearch-Video-Bench