这项由南洋理工大学、山东大学、阿里巴巴达摩院和南边科技大学鸠合开展的接头，以预印本花样发布于2026年5月，论文编号为arXiv:2605.07510，有好奇神往深切了解的读者可通过该编号查询圆善论文。

**一个被忽视的竟然场景**

假定你正在为一篇旅游攻略寻找信息。你看到一张像片，内部有一座私有的多塔尖建筑，你想知说念这座建筑在哪座城市，然后再查那座城市有莫得姐妹城市，临了还想望望那座姐妹城市的某个地标性建筑长什么样。这通盘这个词流程，你的眼睛和搜索框是轮流行状的——看一眼图片，搜一下笔墨，再看一张图片，再搜一段笔墨。这种"轮流"，恰是东说念主类信息查找的竟然情景。

但是，现存的AI搜索系统在处理这种场景时却存在一个根人性的盲区：它们要么只会把图片作为"发问的开端"，要么只会把找到的图片作为"复兴的特别"，从来不会把半途找到的图片作为"下一步该搜什么"的痕迹。这就像一个捕快，他能看懂第一张现场像片，也能在临了亮出破案图片，但中间的侦查流程却全部靠猜，从不主动拿着痕迹去追查下一条痕迹。

这项鸠合接头恰是为了填补这个空缺而张开的，他们构建了一个名为**InterLV-Search**的测试基准，专诚评估AI系统能否像实在的捕快相同，让视觉根据在通盘这个词搜索流程中握续阐述"辅导下一步"的作用，而非只是充任开端或结果的遮盖。

**一、现存AI搜索系统的"特别陷坑"**

要理解这项接头搞定的问题，需要先弄了了现存系统卡在那处。

早期的多模态搜索基准，举例MMSearch和FVQA-Test，其实是把图片作为"题目附件"来使用的。用户上传一张图，AI用笔墨去网上查贵府，临了给出笔墨谜底。通盘这个词流程中，图片的变装只是触发搜索的起初，之后便退场了。这类系统搞定的问题其实是"我有一张图，我想知说念对于这张图的某个笔墨信息"，图片是起跑线，笔墨是特别线。

自后，接头者们相识到这还不够，于是出现了更进一步的视觉浏览类基准，比如VisBrowse和BrowseComp-V?。这类系统要求AI不仅要搜笔墨，还要主动去找图片——它必须在网上定位到某张特定的图，然后通过不雅察那张图来复兴问题。这如故是很大的逾越了，AI终于学会了"主动找图"。

但问题在于，这些系统找到图片之后，那张图的责任就收场了。找到一张图，看一目力色或者数一数东说念主数，然后给出谜底——图片永久是"临了一步"，是问卷上临了一齐填空题，而不是引出下一齐题的痕迹。

现实中的信息搜索或然不是这么的。更常见的情况是：你找到一张图，从这张图里辨别出一个东说念主、一个地方或一个标记，然后这个领会结果成为你下一次搜索的起点，于是再找一段笔墨，再找一张图，如斯轮回。图片在通盘这个词搜索链条中不是特别，而是一个又一个的"中转站"。

这种"中转站"式的视觉根据使用花样，在已有的通盘基准测试中都付之阙如。InterLV-Search的诞生，恰是为了专诚测量AI在这个维度上的才略。

**二、InterLV-Search：用三关卡设想模拟竟然侦查**

通盘这个词基准被设想成三个难度递进的关卡，每一关都对应捕快破案流程中的一个具体才略。

第一关叫作念"主动视觉根据获取"。在这一关里，每说念题的问题是用纯笔墨描述的，但复兴问题需要先找到一张图，然后从图里读出谜底。比如题目会说："有一位1966年诞生、与某位历史上闻明政事东说念主物同名的公世东说念主物，他深色领饰上绣着什么图案？"要复兴这个问题，AI必须先根据笔墨描述猜出这个东说念主是谁，然后主动去找到这个东说念主的像片，临了仔细不雅察领饰上的图案。谜底不是"这个东说念主叫什么名字"，而是"领饰上有热气球图案"——这是一个必须实在看到图才略知说念的视觉细节。这一关磨真金不怕火的是AI能否从笔墨需求开赴，主动把视觉根据找转头。

第二关叫作念"离线轮流多模态搜索"。这一关的题目更长、更复杂，谜底需要经过多轮"看图→搜笔墨→看图→搜笔墨"的轮流流程才略获取。接头团队使用的是一个受控的离线数据库，幸免竟然蚁集的不褂讪性侵扰评测结果。比如题目会说："从那座以宽阔湖面、小亭画舫和当代高楼共同组成标记性景不雅的城市开赴，找到同国另一座以单体多层传统建筑为中枢景不雅的省会城市，那座城市与某个东南欧内陆河港城市结为姐妹城市，而阿谁河港城市又与某个南亚沿海大都市是姐妹城市，阿谁大都市里有一栋左侧带有很多拱形窗的知名建筑，它的大圆顶是什么热诚？"谜底是"红色"。要得到这个谜底，AI必须先搜笔墨认出第一座城市（杭州），再搜图认出第二座城市（武汉），再搜笔墨找到阿谁东欧口岸（加拉茨），再搜笔墨说明南亚都市（孟买），临了再搜图不雅察那栋建筑的圆顶热诚。通盘这个词流程，图片在中间充任了两次"定向箭头"，辅导着接下来要搜什么。

第三关叫作念"绽开蚁集轮流多模态搜索"。这一关和第二关测验的才略实质研讨，但环境换成了竟然的绽开蚁集。竟然蚁集意味着搜索结果不褂讪、页面内容随时变化、噪声信息远多于有效信息。在这种条目下完成多轮轮流搜索，难度当然大幅进步。此外，第三关还引入了一种寥落的"多分支"题型：题目不单要一条推理链，而是同期开启多条平行痕迹，AI必须把每条痕迹都跑一遍，蚁集并比拟各条透露上的信息，然后根据比拟结果采纳不竭深切哪条线。比如题目会要求AI先找到三部电影各自的时长，比拟之后保留时长居中的那部，再顺着这部电影的相干信息不竭往下查。这不再是一条平直的侦查链，而是像竟然案件中的多条嫌疑痕迹——你必须全部核查，然后根据根据作念出采纳。

**三、数据是怎么制造出来的**

制造一个能测试上述才略的数据集，自己等于一件复杂的工程。

第一关和第二关的数据来自一个叫作念MMKG-W的维基百科多模态学问图谱，内部包含大意一万五千个实体，每个实体都有图片、笔墨描述和学问图谱关系。接头团队用全自动的AI活水线来生成题目：先让一个废话语模子为某个实体构造一个"不看图就无法复兴的视觉细节问题"，再让它构造一个"抵抗直点名该实体的蒙眬笔墨描述"，临了把这两部分当然地拼合成一齐圆善的题目。生成之后还有严格的过滤方法，专诚剔除那些谜底可以从笔墨描述里平直猜出来、或者题目里如故不贯注泄漏了实体称呼的"舞弊题"。第二关在此基础上进一步引入了学问图谱的多跳旅途，让题目中的推理链横跨多个实体，并在其中某个节点插入"必须看图才略不竭"的视觉中转站。

第三关的数据则需要东说念主机招引来完成。接头团队让一个具备联网搜索才略的广阔AI模子（GPT-5.4-Thinking）先行生成题目草稿，包括题目自己、参考谜底和圆善的搜索推理链。然后由博士级别的东说念主类标注者审阅每一齐题，查验推理链是否竟然实在、视觉中转站是否充足关节、谜底来源是否褂讪可查。若是发现问题，标注者会平直反馈给AI模子，要求它修改题目或重建推理链，如斯轮回直到质地达标。最终还要用多个强AI模子在不联网的情况下尝试平直复兴这些题，只消那些"不搜索基本答不出来"的题才会被保留进最终数据集。

通盘这个词数据集共包含2061说念题：第一关975说念，第二关225说念，第三关861说念（其中340说念是多分支题型，占比约40%）。题目掩饰文娱、名东说念主、地方、组织机构、地舆标记、科技、旅游、艺术等多个鸿沟，确保测试结果不会因为鸿沟单一而失去代表性。

**四、测试器具：InterLV-Agent**

为了让不同的AI系统在研讨条目下接收测评，接头团队还拓荒了一套叫作念InterLV-Agent的门径化评测框架。这个框架的行状花样可以理解为给每个参赛AI配备了一套门径器具箱，器具箱里包括笔墨蚁集搜索、图片搜索（用笔墨描述找图）、反向图片搜索（用一张图找相似的图）、网页浏览（读取网页笔墨内容）、网页截图浏览（把网页渲染成图片来看）、图片剪辑和代码履行。对于第一关和第二关，器具箱里还有一套离线腹地检索器具，专诚在那一万五千个实体组成的数据库里进行受控检索，使用的是阿里的Qwen3-VL多模态镶嵌模子。

除了器具除外，框架还为每个AI配备了一套轻量级的"两层记忆"系统。短期记忆平直保存最近几轮的器具调用和复返结果，而历久记忆则是一个约束更新的粗陋摘记，纪录已知的关节实体、视觉痕迹头陀未搞定的子设想。这套记忆系统的设想初志是让AI在漫长的多跳搜索流程中不至于"健无私方在找什么"——就像捕快随身佩带的案件条记本，诚然不会纪录每一个细节，但总能教唆我方案件的中枢痕迹和刻下进展。

每说念题的交互轮数也有明确截止：第一关最多3轮，第二关最多7轮，第三关最多10轮。每轮交互包括一次念念考、一次或屡次器具调用和对应的结果不雅察。最终的谜底评判由GPT-5.4-mini担任裁判，允许同义词、又名和措辞各别，开云·体育只消语义等价就判为正确。

**五、实验结果：莫得哪个AI系统阐述令东说念主怡然**

接头团队测试了五个生意闭源模子（GPT-5.4、GPT-5、Gemini-3.1-Pro、Claude-Sonnet-4.6、Qwen3.6-Plus）和三个开源的搜索专用模子（MMSearch-R1-7B、VDR-8B、SenseNova-MARS-32B），通盘模子都在研讨的InterLV-Agent框架下运行。

最中枢的发现是：即使是阐述最好的模子，合座准确率也莫得杰出50%。阐述最好的Gemini-3.1-Pro在三关系数的器具援救下达到了46.05%（第一关）、41.33%（第二关）和46.46%（第三关）的收货，但距离"搞定了这个问题"还有特别长的距离。

不使用任何器具、纯靠模子已有学问平直作答的情况下，通盘模子在第三关的阐述都目不忍见，最好的也只消20%傍边，充分讲明了这批题目照实不成靠死记硬背蒙混过关，必须实在去搜索才行。

使用器具之后，生意模子的阐述均有彰着进步，尤其是在第二关和第三关，进步幅度可达10到30个百分点。这说明器具照实有效，但不同模子使用器具的效果各别很大，反应出各安适搜索权术、视觉定位和多模态根据整合上的才略上下不同。

开源搜索专用模子的情况则令东说念主不测：加上器具之后，它们的阐述不仅莫得权臣进步，有的以致比无须器具时还要差。这揭示出一个进军现实——为笔墨搜索专诚优化的开源模子，在面对需要反复切换视觉和笔墨的轮流搜索任务时，反而因为乱用器具而走了弯路，搜索权术才略的缺失比器具自己的截止更致命。

多分支题型和单链题型之间的差距也特别权臣。在第三关，通盘模子在单链题上的准确率都彰着高于多分支题，说明当搜索旅途不再是一条直线、而是需要同期珍贵多条平行痕迹时，刻下AI系统的和谐才略彰着不及。

**六、深切剖解：问题究竟出在那处**

为了更精熟地定位失败原因，接头团队对第一关和第二关的结果作念了进一步拆解分析。他们永别了两种情况：AI最终找到了正确的设想图片，以及AI莫得找到正确的设想图片，然后分别统计这两种情况下最终答题的正确率。

结果相当透露。当AI得胜找到了设想图少顷，最终答对的概率大幅进步——Gemini在第一关找到设想图时的答对率高达59.51%，在第二关更是达到73.75%。而莫得找到设想图时，答对率只消23%到34%傍边。这意味着：只消能找到正确的图，AI其实特别擅长从图片里读出正确谜底；实在的瓶颈在于能否在茫茫图海中找到那张正确的图，尤其是第二关，设想图片检索调回率只消35%傍边，这才是通盘这个词系统最薄弱的方法。

器具使用习气的分析也揭示了风趣风趣的律例。在第二关（离线环境）里，AI的器具调用被图片相干操作东导——Gemini有68.3%的器具调用都是图片搜索类操作，这与第二关的设想意图高度吻合，说明模子照实理解了这说念题需要找图。而在第三关（绽开蚁集），笔墨蚁集搜索占据了大头（60%以上），图片操作的比例有所下跌但仍占17%傍边，说明第三关并莫得退化成纯笔墨的网页浏览游戏，视觉搜索依然是不可困难的一环。

接头团队还专诚分析了AI的现实履行旅途，查验那些搜索轨迹中是否实在出现了"用视觉根据辅导下一步搜索"的行为。在第二关，Gemini有88.9%的履行旅途包含了视觉中转站，Claude达到80%，GPT-5.4也有74.9%。这讲明InterLV-Search照实得胜地测到了它想测的才略，而不单是是在测验等闲的笔墨搜索妙技。

去掉图片搜索器具之后会发生什么？在第二关，去掉图片搜索的结果接近以致低于皆备无须器具平直复兴的水平，说明图片搜索对于第二关而言简直是不可或缺的。在第三关，去掉图片搜索的影响稍小，因为竟然蚁集提供了更丰富的笔墨痕迹作为补充，但依然形成了一致性的收货下滑。记忆系统的进军性在第三关体现得比第二关更彰着，这与直观相符：第三关的搜索链更长、分支更多、噪声更大，更需要一个可靠的"案件条记本"来看护搜索情景的连贯性。

**七、从失败案例中看懂中枢难题**

论文临了提供的得胜与失败案例，把上述发现讲得愈加具体纯真。

一个得胜的三分支案例是这么运作的：题目要求AI找到三部电影各自的官方节日页面，比拟它们的时长，保留时长居中的那部，然后不竭深切那部电影的设想图，复兴设想图里某个当然局势的问题。AI的处理流程是先对三个视觉描述各自进行图片搜索，定位到三部候选电影（Nox、Krakatoa、My Semba），然后切换到笔墨搜索获取时长数据（分别是64分钟、79分钟和93分钟），比拟之后采纳中间值79分钟对应的Krakatoa，临了回到图片搜索找到Krakatoa的设想图，通过视觉不雅察复兴"标题笔墨背面起飞的是什么当然局势"——谜底是火山喷发。这个得胜案例的关节在于，AI在通盘这个词流程中握续地把图片和笔墨轮流使用，况兼每一次切换都有明确的意见和依据。

一个典型的失败案例则相悖：题目要求AI分别找到Tate好意思术馆的毕加索相干页面和柏林电影节的新泻相干页面，从这两个页面开赴参加各自的"腹地标记系统"，比拟两者的数目，沿着数目较小的那条痕迹不竭，最终复兴对应旗子边框左半部分是什么热诚。AI作念了无边的笔墨搜索，也得胜找到了两个页面，但它从来莫得实在把这两个页面与各自对应的腹地标记系统（马拉加的徽章和新泻的官方标记系统）成立视觉通顺，更莫得去统计和比拟数目。到临了，它只可靠猜给了一个蓝色的谜底，而正确谜底是紫色。失败的根源不是搜索不够辛苦，而是它把图片搜索当成了可选项，莫得相识到视觉根据在这说念题里是不可绕过的必经方法。

另一个单链失败案例更能说明问题：题目里提到一个对于双层巴士的旅游页面，但这些巴士只是名义，关节在于巴士车身上借用了某个"守护者形象"的视觉身份。AI需要先用图片搜索看了了巴士车身上画的是什么，然后以这个视觉痕迹为跳板，找到对应的城市所在州，再查阿谁州的官方旗子，临了复兴旗子上对角条带的热诚（谜底是白色）。但AI皆备莫得主动去查验巴士的视觉外不雅，一直在用笔墨查询各式平日的关节词，最终答了"红色"——它把旗子合座的红色配景和那条对角白色条带贬抑了。问题出在开始就莫得把视觉痕迹作为搜索的起点，而是一头扎进了笔墨寰宇里打转。

**说到底，这项接头告诉咱们什么**

归根结底，InterLV-Search揭示了一个当今通盘AI搜索系统都濒临的共同窘境：它们在使用视觉根据时，要么只会用图作为起初，要么只会用图作为特别，实在能把图片作为搜索链条中反复出现的"路标"的系统，当今还简直不存在。

最好的生意模子在这套测试中的合座准确率不到50%，这个数字说明刻下的AI离"像东说念主相同当然地轮流使用视觉和笔墨来查找信息"还有特别大的差距。而开源搜索专用模子的阐述以致更令东说念主担忧——它们在加上器具之后反而可能阐述更差，说明问题不单是器具有莫得，更是有了器具之后懂不懂得用、会不会在安妥的时机切换到视觉搜索模式。

这平等闲东说念主意味着什么？你每天在网上查信息时感到的那种"AI不够智能"的挫败感，很可能恰好来源于这个盲区。当你上传一张图问AI"这张图里这个东西叫什么名字，然后告诉我这个东西的制造商是谁，再告诉我那家制造商CEO的外貌特征"时，AI在第一步可能还可以，但从第二步初始，视觉痕迹和笔墨推理的无缝衔尾时常就会断掉。

这项接头通过构建一套系统性的测评器具，让这个问题变得可测量、可跟踪、可改良。某种道理上，它作念的事情等于给AI搜索才略的缺陷画了一张精准的舆图，让后续的接头者知说念应该把力气花在那处。至于AI什么技艺能实在作念到像东说念主相同通顺地在视觉和笔墨之间往还穿行，这说念题的谜底还需要技艺来揭晓。数据集和评测代码如故开源，任何有好奇神往的接头团队都可以在此基础上不竭探索。

---

Q&A

Q1：InterLV-Search测试基准和等闲的多模态搜索测试有什么实质区别？

A：等闲的多模态搜索测试时常只热心两种模式：要么把图片作为问题的起初，然后靠笔墨搜索得出谜底；要么要求AI主动找到某张图，用那张图复兴一个局部视觉问题。InterLV-Search的实质区别在于，它要求图片在通盘这个词搜索流程中反复出现，每一张半途找到的图都要成为"下一步该搜什么"的依据，而不是搜索链条的特别。简陋说，等于从"图→笔墨→谜底"或"笔墨→图→谜底"，升级为"笔墨→图→笔墨→图→笔墨→图→谜底"的反复轮流模式。

Q2：为什么开源搜索专用模子加上器具反而阐述变差？

A：这是因为这些开源模子是针对笔墨搜索任务专诚西宾的，它们的搜索权术战术自然倾向于反复调用笔墨查询器具。迎面对需要在特定时机切换到图片搜索的轮流任务时，这些模子不知说念什么技艺该罢手笔墨搜索、转而发起视觉检索，于是器具调用变成了无效以致无益的行为，虚耗了贵重的交互轮数却莫得找到关节的视觉根据。根底问题不是器具自己有劣势，而是模子梗阻"什么技艺该看图、什么技艺该搜笔墨"的判断才略。

Q3：InterLV-Search的多分支题型在测试中体现了什么寥落难点？

A：多分支题型要求AI同期珍贵多条平行推理链，分别沿每条链征集根据，再根据比拟结果采纳其中一条不竭深切。这对AI的搜索情景治理冷落了远超单链题的要求——它必须记着我高洁在同期跑几条线、每条线上如故找到了什么、哪条线还缺什么信息，最终还要在多条线的结果之间作念出有依据的比拟采纳。实验数据裸露，通盘测试模子在多分支题上的准确率都权臣低于单链题，说明当搜索旅途不再是一条直线时开云体育(中国)官方网站，刻下AI系统的多任务和谐才略彰着不及。