OneSearch-VL：面向图像与视频的统一多模态深度研究智能体
TLDR
提出统一多模态深度研究智能体，基于视觉定位证据图统一图像与视频深度研究，显著提升性能。
评分理由
The paper presents a strong unified framework with a novel evidence graph representation, data construction pipelines, and new benchmarks, showing large empirical gains on multimodal research tasks. However, its scope is confined to image/video deep research rather than broader scientific discovery or autonomous experimentation, and evaluation is benchmark-based rather than real-world deployment.
Read-first 评分解释
综合优先阅读分 49.1，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 31。
研究版图角色
排序敏感性
稳定性：volatile；排名波动范围：110。
关键词评分
深度分析
创新点
- 提出 OneSearch-VL，一个统一的面向单图像、多图像和视频任务的多模态深度研究智能体。
- 引入视觉定位证据图（VGEG），将局部视觉锚点、实体关系、来源支持的事实和产生答案的操作之间的依赖编码为共享的任务级参考。
- 开发基于 VGEG 的数据引擎，构建并验证多图像和视频问题，筛选专家轨迹，生成 OneSearch-VL-SFT-110K 和 OneSearch-VL-RL-10K。
- 从 VGEG 标注中推导出证据感知的视觉定位评分奖励（EVGR），在强化学习中监督证据可追溯性和视觉定位。
- 构建 OneSearch-MI-Bench 和 OneSearch-Video-Bench，根据 VGEG 中编码的研究操作对问题进行分类。
方法
OneSearch-VL 以视觉定位证据图（VGEG）为核心，将其作为数据构建、过程监督和操作级评估的共享任务级参考。基于 VGEG 的数据引擎构建并验证多图像和视频问题，并筛选专家轨迹，生成用于监督微调的 OneSearch-VL-SFT-110K 和用于强化学习的 OneSearch-VL-RL-10K。在强化学习阶段，证据感知的视觉定位评分奖励（EVGR）监督证据可追溯性和视觉定位；评估将 OneSearch-VL-8B 与具备工具访问权限的 Qwen3-VL-8B 在两个新基准、7 个图像基准和 VideoDR 上进行比较。
关键结果
OneSearch-VL-8B 在 OneSearch-MI-Bench 上比具备工具访问权限的 Qwen3-VL-8B 提高了 20.2 个百分点，在 OneSearch-Video-Bench 上提高了 17.6 个百分点，同时在 7 个图像基准和 VideoDR 上也取得了显著提升。