論文の概要: DeepVoyager-VL: Incentivizing Vision-in-the-Loop Search for Long-Horizon Multimodal Agents

• arxiv url: http://arxiv.org/abs/2608.01827v1
• Date: Mon, 03 Aug 2026 07:36:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.384097
• Title: DeepVoyager-VL: Incentivizing Vision-in-the-Loop Search for Long-Horizon Multimodal Agents
• Title（参考訳）: DeepVoyager-VL: 長距離マルチモーダルエージェントのビジョン・イン・ザ・ループ探索のインセンティブ化
• Abstract要約: マルチモーダル大言語モデル(MLLM)は、高度な視覚的理解と推論を持つ。 DeepVoyager-VLは、ループ探索のための長距離マルチモーダルディープサーチフレームワークである。
• 参考スコア（独自算出の注目度）: 21.799085797512955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal large language models (MLLMs) have advanced visual understanding and reasoning, yet their static parametric knowledge limits their ability to address knowledge-intensive and dynamically evolving open-world problems. To move beyond this limitation, multimodal deep search has emerged as a key direction for open-world information access, evolving from single-turn factual retrieval toward long-horizon, multi-turn search guided by visual evidence. However, existing methods typically confine vision to the input or answer stage, overlooking its role in intermediate reasoning, and lack designs tailored to long-horizon interaction. Consequently, visual evidence rarely drives continued retrieval, constraining both interaction depth and reasoning span. To address these limitations, we propose DeepVoyager-VL, a long-horizon multimodal deep-search framework for vision-in-the-loop search. Specifically, we construct a multimodal event graph to drive data synthesis, yielding problems with intermediate visual dependencies and long reasoning chains. We then design an agent framework for active visual acquisition and on-demand image loading. Finally, we fine-tune models on the synthesized data without reinforcement learning. Extensive experiments across ten multimodal search benchmarks demonstrate the effectiveness of our method.
• Abstract（参考訳）: マルチモーダル大規模言語モデル(MLLM)は、高度な視覚的理解と推論を持っているが、静的パラメトリックな知識は、知識集約的で動的に進化するオープンワールド問題に対処する能力を制限する。 この制限を超えて、マルチモーダル・ディープ・サーチがオープンワールド情報アクセスの鍵となる方向として現れ、単一のターンの事実検索から視覚的エビデンスによって導かれるロングホライゾン・マルチターン・サーチへと進化した。 しかし、既存の手法は通常、入力または応答の段階で視覚を限定し、中間的推論におけるその役割を見落とし、長い水平相互作用に合わせた設計が欠如している。 その結果、視覚的証拠は、相互作用深さと推論幅の両方を制限し、継続的な検索を促進することはめったにない。 これらの制約に対処するため,ループ探索のための多モード多モード深層探索フレームワークであるDeepVoyager-VLを提案する。 具体的には、データ合成を駆動するマルチモーダルイベントグラフを構築し、中間的な視覚的依存と長い推論連鎖の問題を導出する。 次に、アクティブな視覚的獲得とオンデマンド画像ロードのためのエージェントフレームワークを設計する。 最後に、強化学習なしで合成したデータに基づいて微調整を行う。 10個のマルチモーダルサーチベンチマークによる大規模な実験により,本手法の有効性が示された。

関連論文リスト

• Visual-Seeker: Towards Visual-Native Multimodal Agentic Search via Active Visual Reasoning [28.70926573516569]
  能動視覚推論による視覚ネイティブなマルチモーダルディープサーチエージェントであるVisual-Seekerを提案する。 我々のエージェントは精細な視覚的詳細に積極的に参加し、探索過程を通して動的に視覚的証拠を収集する。 実験は、5つの挑戦的マルチモーダル検索ベンチマークにおける最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2026-06-13T10:07:32Z)
• OpenSearch-VL: An Open Recipe for Frontier Multimodal Search Agents [50.79529228477821]
  エージェント強化学習を用いたフロンティアマルチモーダルディープサーチエージェントの完全オープンソースレシピであるOpenSearch-VLを紹介した。 まず、ウィキペディアパスのサンプリング、ファジィエンティティの書き換え、ソース・アンカーの視覚的グラウンドリングを通じて、高品質なトレーニングデータを構築するための専用パイプラインをキュレートした。 さらに,テキスト検索,画像検索,OCR,収穫,研削,超解像,視点補正を統一する多様なツール環境を設計する。
  論文  参考訳（メタデータ） (2026-05-06T17:50:38Z)
• POINTS-Seeker: Towards Training a Multimodal Agentic Search Model from Scratch [84.73366911912512]
  エージェント・シーディング(Agenic Seeding)は,エージェント行動の抽出に必要な前駆体を織り込むための専用フェーズである。 本稿では、最近の対話を高忠実に保ちながら、歴史的コンテキストをレンダリングを介して視覚空間に折り畳みながら、適応的履歴認識圧縮方式であるV-Foldを提案する。 我々は,最新のマルチモーダルエージェントサーチモデルであるPOINTS-Seeker-8Bを開発した。
  論文  参考訳（メタデータ） (2026-04-15T16:09:37Z)
• Towards Long-horizon Agentic Multimodal Search [109.0092257657625]
  本稿では,LMM-Searcher という,ファイルベースの視覚的表現機構を中心とした新しい多モード深層検索フレームワークを提案する。 エージェントに調整されたフェッチ・イメージ・ツールを装備し、能動的知覚のためのプログレッシブでオンデマンドなビジュアル・ローディング・ストラテジーを実現する。 提案手法は,100ターンの探索地平線へのスケールアップに成功し,オープンソースモデル間の最先端性能を実現した。
  論文  参考訳（メタデータ） (2026-04-14T15:40:28Z)
• VSearcher: Long-Horizon Multimodal Search Agent via Reinforcement Learning [22.27364585438247]
  VSearcherは、マルチモーダル検索エージェントで、現実世界のWeb環境での長時間のマルチターンツールの使用を可能にする。 大規模で複雑なマルチモーダルQA質問を生成するために、反復射出データ合成パイプラインを導入する。 次に、SFT-then-RLトレーニングパイプラインを用いて、ベースマルチモーダルモデルを現実世界のWeb環境におけるマルチターンツール呼び出しが可能なエージェントに変換する。
  論文  参考訳（メタデータ） (2026-03-03T09:33:22Z)
• DeepImageSearch: Benchmarking Multimodal Agents for Context-Aware Image Retrieval in Visual Histories [52.57197752244638]
  本稿では,画像検索を自律探索タスクとして再構成する新しいエージェントパラダイムであるDeepImageSearchを紹介する。 モデルは、暗黙の文脈的手がかりに基づいてターゲットを特定するために、生の視覚履歴に対して多段階の推論を計画し実行しなければならない。 DisBenchは、相互接続された視覚データ上に構築された、挑戦的なベンチマークである。
  論文  参考訳（メタデータ） (2026-02-11T12:51:10Z)
• Vision-DeepResearch: Incentivizing DeepResearch Capability in Multimodal Large Language Models [87.99592946216137]
  Vision-DeepResearchは、数十の推論ステップと数百のエンジンインタラクションをサポートしている。 私たちのVision-DeepResearchは、数十の推論ステップと数百のエンジンインタラクションをサポートします。
  論文  参考訳（メタデータ） (2026-01-29T17:58:40Z)
• Deep But Reliable: Advancing Multi-turn Reasoning for Thinking with Images [53.373427633330515]
  DRIMは,マルチモーダルCoTの画像について考える際に,深層かつ信頼性の高いマルチターン推論を可能にするモデルである。 高精細画像データセットに基づいて,高精細かつ検証可能な視覚的問合せ対を構築する。 SFTの段階では,ツールトラジェクトリをコールドスタートデータとして収集し,マルチターン推論パターンを導出する。 RLの段階では、冗長性を考慮したポリシー最適化を導入し、自己反射的推論パターンを開発するためのモデルにインセンティブを与える。
  論文  参考訳（メタデータ） (2025-12-19T07:44:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。