Micropaper
·
Vision-DeepResearch：首个长时序多模态深度研究模型，8B 参数干翻 GPT-5
💡
原文中文，约3800字，阅读约需9分钟。
📝
内容提要
Vision-DeepResearch是首个长时序多模态深度研究模型，拥有8B参数，超越了GPT-5等闭源模型。它支持多轮推理和多实体搜索，采用创新训练策略，展现了开源模型在智能信息检索和自动化研究助手中的潜力。
🎯
关键要点
- Vision-DeepResearch是首个长时序多模态深度研究模型，拥有8B参数。
- 该模型支持数十轮推理和数百次搜索引擎交互，超越了GPT-5等闭源模型。
- 现有模型在推理轮次和搜索能力上存在局限，无法处理复杂任务。
- Vision-DeepResearch采用创新的训练策略，包括冷启动监督训练和强化学习训练。
- 模型支持多种工具，如多尺度图像裁剪、图像搜索、文本搜索和网页浏览。
- 实验结果显示，Vision-DeepResearch在多个基准测试中显著超越了现有的多模态深度研究模型。
- VDR-Bench是专门为评估多模态深度研究能力而发布的测试基准。
- Vision-DeepResearch的成功展示了将深度研究能力内化为模型自身能力的潜力，推动了智能信息检索和自动化研究助手的发展。
❓
延伸问答
Vision-DeepResearch模型的主要特点是什么？
Vision-DeepResearch是首个长时序多模态深度研究模型，拥有8B参数，支持数十轮推理和数百次搜索引擎交互，超越了GPT-5等闭源模型。
Vision-DeepResearch如何提升推理和搜索能力？
该模型采用冷启动监督训练和强化学习训练的创新策略，将深度研究能力内化为模型自身能力。
Vision-DeepResearch在基准测试中的表现如何？
在多个基准测试中，Vision-DeepResearch显著超越了现有的多模态深度研究模型，包括GPT-5、Gemini-2.5 Pro和Claude-4-Sonnet。
VDR-Bench是什么，它的作用是什么？
VDR-Bench是专门为评估多模态深度研究能力而发布的测试基准，支持多尺度、多实体的搜索评估。
Vision-DeepResearch的应用场景有哪些？
该模型适用于多模态深度研究、智能信息检索和真实世界应用，如复杂决策支持和多源信息整合。
Vision-DeepResearch与现有模型相比有什么优势？
Vision-DeepResearch在推理轮次和搜索能力上具有更强的表现，能够处理复杂任务，超越了现有闭源模型。
➡️
