Vision-DeepResearch：激励多模态大语言模型的深度研究能力

多模态大语言模型（MLLMs）在视觉任务中表现优异，但受限于内部知识，现有“先推理后调用工具”的方法往往假设简单的查询即可获取关键证据，难以应对现实场景中的视觉噪声及复杂问题。为此，本文提出 Vision-DeepResearch，确立了一种新的多模态深度研究范式：执行多轮、多实体及多尺度的视觉与文本搜索，以在重噪声环境下稳健地利用搜索引擎。该方法支持数十步推理和数百次引擎交互，并通过冷启动监督与强化学习将深度研究能力内化于 MLLM 中。实验表明，其性能显著优于现有的多模态深度研究模型及基于 GPT-5 等闭源基座模型的工作流。