夯实底线并提升上限：一种基于模型融合的多模态搜索 Agent 范式

针对现有方法依赖昂贵监督或强化学习的问题，本文提出一种无需训练的范式，通过跨模态模型融合赋予视觉语言模型（VLM）自主搜索能力。该方法将文本搜索 Agent 与基础 VLM 融合，无需额外多模态数据即可组合出搜索技能。为缓解参数干扰，提出了基于显著性的最优大脑融合（OBM）算法。实验表明，该策略既保证了零样本性能底线，又作为热启动策略显著提升了收敛速度与准确率上限。