VistaHop：基准测试视觉深度搜索中的多跳视觉推理

视觉深度搜索要求多模态大推理模型代理通过反复检查图像区域、将中间推理 grounded 于视觉证据并连接长推理链中的细粒度线索来回答复杂查询。然而，现有基准主要关注单步视觉理解或静态图像问答，缺乏对迭代图像检查、视觉锚点定位及多跳证据整合的评估。本文提出 VistaHop，一个用于评估视觉中心搜索和多跳视觉推理的基准，包含高分辨率图像、视觉搜索场景及需遵循证据链的多跳 QA 任务。实验表明当前模型在此任务上表现不佳，揭示了视觉定位和长链推理等方面的局限。