Visual-Seeker：通过主动视觉推理迈向视觉原生的多模态代理搜索

多模态大语言模型在复杂开放场景中常面临事实依据不足的挑战。现有方法多依赖简单图像与纯文本证据，限制了跨模态多跳推理能力。为此，本文提出 Visual-Seeker，一种基于主动视觉推理的视觉原生多模态深度搜索代理。该代理将视觉视为动态输入，主动关注细粒度细节并实时收集视觉证据。我们构建了主动视觉推理数据流水线，合成 5000 条高质量轨迹用于训练。实验表明，该方法在五个基准测试中达到最先进水平，甚至超越部分专有模型，验证了其在真实网络环境中的鲁棒推理与搜索能力。