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蚁合开展的估量，以预印本口头发布于2026年5月，论文编号为arXiv:2605.07510，有益思久了了解的读者可通过该编号查询齐全论文。

**一个被冷落的真实场景**

假定你正在为一篇旅游攻略寻找信息。你看到一张像片，内部有一座独到的多塔尖建筑，你想知谈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。这整个这个词经过，你的眼睛和搜索框是轮流就业的——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"，恰是东谈主类信息查找的真实状况。

然而，现存的AI搜索系统在处理这种场景时却存在一个根人道的盲区：它们要么只会把图片看成"发问的开头"，要么只会把找到的图片看成"回报的非常"，从来不会把半途找到的图片看成"下一步该搜什么"的踪迹。这就像一个视察，他能看懂第一张现场像片，也能在临了亮出破案图片，但中间的侦查经过却全部靠猜，从不主动拿着踪迹去追查下一条踪迹。

这项蚁合估量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，专门评估AI系统能否像真实的视察通常，让视觉笔据在整个这个词搜索经过中握续表现"指引下一步"的作用，而非只是充任开头或放弃的庇荫。

**一、现存AI搜索系统的"非常陷坑"**

要连结这项估量治理的问题，需要先弄明晰现存系统卡在何处。

早期的多模态搜索基准，举例MMSearch和FVQA-Test，其实是把图片看成"题目附件"来使用的。用户上传一张图，AI用笔墨去网上查贵寓，临了给出笔墨谜底。整个这个词经过中，图片的扮装只是触发搜索的起初，之后便退场了。这类系总揽理的问题其实是"我有一张图，我想知谈对于这张图的某个笔墨信息"，图片是起跑线，笔墨黑白常线。

自后，估量者们意志到这还不够，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回报问题。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，那张图的职责就完结了。找到一张图，看一眼格式或者数一数东谈主数，然后给出谜底——图片持久是"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踪迹。

现实中的信息搜索碰巧不是这么的。更常见的情况是：你找到一张图，从这张图里辨别出一个东谈主、一个场所或一个标记，然后这个通晓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。图片在整个这个词搜索链条中不黑白常，而是一个又一个的"中转站"。

这种"中转站"式的视觉笔据使用方式，在已有的整个基准测试中皆付之阙如。InterLV-Search的诞生，恰是为了专门测量AI在这个维度上的才气。

**二、InterLV-Search：用三关卡诡计模拟真实侦查**

整个这个词基准被诡计成三个难度递进的关卡，每一关皆对应视察破案经过中的一个具体才气。

第一关叫作念"主动视觉笔据获取"。在这一关里，每谈题的问题是用纯笔墨态状的，但回报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、与某位历史上知名政事东谈主物同名的公世东谈主物，他深色领饰上绣着什么图案？"要回报这个问题，AI必须先根据笔墨态状猜出这个东谈主是谁，然后主动去找到这个东谈主的像片，临了仔细不雅察领饰上的图案。谜底不是"这个东谈主叫什么名字"，而是"领饰上有热气球图案"——这是一个必须真实看到图才气知谈的视觉细节。这一关进修的是AI能否从笔墨需求启航，主动把视觉笔据找转头。

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"的轮流经过才气取得。估量团队使用的是一个受控的离线数据库，幸免真实采集的不牢固性扰乱评测结果。比如题目会说："从那座以广宽湖面、小亭画舫和当代高楼共同组成象征性景不雅的城市启航，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皆市是姐妹城市，阿谁大皆市里有一栋左侧带有很多拱形窗的知名建筑，它的大圆顶是什么格式？"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），再搜笔墨阐明南亚皆市（孟买），临了再搜图不雅察那栋建筑的圆顶格式。整个这个词经过，图片在中间充任了两次"定向箭头"，指引着接下来要搜什么。

第三关叫作念"洞开采集轮流多模态搜索"。这一关和第二关试验的才气本质交流，但环境换成了真实的洞开采集。真实采集意味着搜索结果不牢固、页面内容随时变化、噪声信息远多于灵验信息。在这种条款下完成多轮轮流搜索，难度当然大幅擢升。此外，第三关还引入了一种非常的"多分支"题型：题目不惟惟一条推理链，而是同期开启多条平踪影迹，AI必须把每条踪迹皆跑一遍，采集并相比各条走漏上的信息，然后根据相比结果采取赓续久了哪条线。比如题目会要求AI先找到三部电影各自的时长，相比之后保留时长居中的那部，再顺着这部电影的经营信息赓续往下查。这不再是一条平直的侦查链，而是像真实案件中的多条嫌疑踪迹——你必须全部核查，然后根据笔据作念出采取。

**三、数据是若何制造出来的**

制造一个能测试上述才气的数据集，自己便是一件复杂的工程。

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，内部包含约莫一万五千个实体，每个实体皆有图片、笔墨态状和学问图谱关系。估量团队用全自动的AI活水线来生成题目：先让一个大谈话模子为某个实体构造一个"不看图就无法回报的视觉细节问题"，再让它构造一个"抵挡直点名该实体的浑沌笔墨态状"，临了把这两部分当然地拼合成一齐齐全的题目。生成之后还有严格的过滤次第，专门剔除那些谜底可以从笔墨态状里平直猜出来、或者题目里如故不防卫表示了实体称呼的"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"必须看图才气赓续"的视觉中转站。

第三关的数据则需要东谈主机归并来完成。估量团队让一个具备联网搜索才气的雄伟AI模子（GPT-5.4-Thinking）先行生成题目草稿，包括题目自己、参考谜底和齐全的搜索推理链。然后由博士级别的东谈主类标注者审阅每一齐题，查验推理链是否真实确实、视觉中转站是否满盈关键、谜底来源是否牢固可查。淌若发现问题，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，如斯轮回直到质料达标。最终还要用多个强AI模子在不联网的情况下尝试平直回报这些题，唯独那些"不搜索基本答不出来"的题才会被保留进最终数据集。

整个这个词数据集共包含2061谈题：第一关975谈，第二关225谈，第三关861谈（其中340谈是多分支题型，占比约40%）。题目粉饰文娱、名东谈主、场所、组织机构、地舆象征、科技、旅游、艺术等多个畛域，确保测试结果不会因为畛域单一而失去代表性。

**四、测试用具：InterLV-Agent**

为了让不同的AI系统在交流条款下接管测评，估量团队还开荒了一套叫作念InterLV-Agent的规范化评测框架。这个框架的就业方式可以连结为给每个参赛AI配备了一套规范用具箱，用具箱里包括笔墨采集搜索、图片搜索（用笔墨态状找图）、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）、图片剪辑和代码扩充。对于第一关和第二关，用具箱里还有一套离线土产货检索用具，专门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。

除了用具除外，框架还为每个AI配备了一套轻量级的"两层追溯"系统。短期追溯平直保存最近几轮的用具调用和复返结果，而持久追溯则是一个束缚更新的或者摘抄，记载已知的关键实体、视觉踪迹梵衲未治理的子方针。这套追溯系统的诡计初志是让AI在漫长的多跳搜索经过中不至于"健无私方在找什么"——就像视察随身佩戴的案件札记本，固然不会记载每一个细节，但总能领导我方案件的中枢踪迹和刻下进展。

每谈题的交互轮数也有明确完结：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、一次或屡次用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、又名和措辞相反，AG真人中国官网入口只须语义等价就判为正确。

**五、实验结果：莫得哪个AI系统发达令东谈主酣畅**

估量团队测试了五个营业闭源模子（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），整个模子皆在交流的InterLV-Agent框架下运行。

最中枢的发现是：即使是发达最好的模子，合座准确率也莫得超越50%。发达最好的Gemini-3.1-Pro在三关整个的用具扶植下达到了46.05%（第一关）、41.33%（第二关）和46.46%（第三关）的收货，但距离"治理了这个问题"还有额外长的距离。

不使用任何用具、纯靠模子已有学问平直作答的情况下，整个模子在第三关的发达皆惨绝人寰，最好的也唯独20%傍边，充分讲授了这批题目如实不可靠死记硬背蒙混过关，必须真实去搜索才行。

使用用具之后，营业模子的发达均有较着擢升，尤其是在第二关和第三关，擢升幅度可达10到30个百分点。这诠释用具如实灵验，但不同模子使用用具的成果相反很大，反应出各安逸搜索计较、视觉定位和多模态笔据整合上的才气高下不同。

开源搜索专用模子的情况则令东谈主恐怕：加上用具之后，它们的发达不仅莫得权贵擢升，有的甚而比无须用具时还要差。这揭示出一个重要现实——为笔墨搜索专门优化的开源模子，在面对需要反复切换视觉和笔墨的轮流搜索任务时，反而因为乱用用具而走了弯路，搜索计较才气的缺失比用具自己的完结更致命。

多分支题型和单链题型之间的差距也额外权贵。在第三关，整个模子在单链题上的准确率皆较着高于多分支题，诠释当搜索旅途不再是一条直线、而是需要同期诊疗多条平踪影迹时，刻下AI系统的妥洽才气较着不及。

**六、久了剖解：问题究竟出在何处**

为了更紧密地定位失败原因，估量团队对第一关和第二关的结果作念了进一步拆解分析。他们分辩了两种情况：AI最终找到了正确的方针图片，以及AI莫得找到正确的方针图片，然后分别统计这两种情况下最终答题的正确率。

结果相配领略。当AI得胜找到了方针图少顷，最终答对的概率大幅擢升——Gemini在第一关找到方针图时的答对率高达59.51%，在第二关更是达到73.75%。而莫得找到方针图时，答对率唯独23%到34%傍边。这意味着：只须能找到正确的图，AI其实额外擅长从图片里读出正确谜底；真实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，方针图片检索调回率唯独35%傍边，这才是整个这个词系统最薄弱的次第。

用具使用习气的分析也揭示了风趣风趣的按序。在第二关（离线环境）里，AI的用具调用被图片经营操作东导——Gemini有68.3%的用具调用皆是图片搜索类操作，这与第二关的诡计意图高度吻合，诠释模子如实连结了这谈题需要找图。而在第三关（洞开采集），笔墨采集搜索占据了大头（60%以上），图片操作的比例有所下落但仍占17%傍边，诠释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空泛的一环。

估量团队还专门分析了AI的本质扩充旅途，查验那些搜索轨迹中是否真实出现了"用视觉笔据指引下一步搜索"的行动。在第二关，Gemini有88.9%的扩充旅途包含了视觉中转站，Claude达到80%，GPT-5.4也有74.9%。这讲授InterLV-Search如实得胜地测到了它想测的才气，而不单是是在试验平常的笔墨搜索技术。

去掉图片搜索用具之后会发生什么？在第二关，去掉图片搜索的结果接近甚而低于十足无须用具平直回报的水平，诠释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，因为真实采集提供了更丰富的笔墨踪迹作为补充，但依然形成了一致性的收货下滑。追溯系统的重要性在第三关体现得比第二关更较着，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"案件札记本"来保管搜索状况的连贯性。

**七、从失败案例中看懂中枢繁难**

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灵活。

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，相比它们的时长，保留时长居中的那部，然后赓续久了那部电影的方针图，回报方针图里某个当然称心的问题。AI的处理经过是先对三个视觉态状各自进行图片搜索，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），相比之后选用中间值79分钟对应的Krakatoa，临了回到图片搜索找到Krakatoa的方针图，通过视觉不雅察回报"标题笔墨背面起飞的是什么当然称心"——谜底是火山喷发。这个得胜案例的关键在于，AI在整个这个词经过中握续地把图片和笔墨轮流使用，并且每一次切换皆有明确的见识和依据。

一个典型的失败案例则相背：题目要求AI分别找到Tate好意思术馆的毕加索经营页面和柏林电影节的新泻经营页面，从这两个页面启航参预各自的"土产货标记系统"，相比两者的数目，沿着数目较小的那条踪迹赓续，最终回报对应旗号边框左半部分是什么格式。AI作念了大皆的笔墨搜索，也得胜找到了两个页面，但它从来莫得真实把这两个页面与各自对应的土产货标记系统（马拉加的徽章和新泻的官方标记系统）竖立视觉谀媚，更莫得去统计和相比数目。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远程，而是它把图片搜索当成了可选项，没特意志到视觉笔据在这谈题里是不可绕过的必经次第。

另一个单链失败案例更能诠释问题：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，关键在于巴士车身上借用了某个"防守者形象"的视觉身份。AI需要先用图片搜索看明晰巴士车身上画的是什么，然后以这个视觉踪迹为跳板，找到对应的城市所在州，再查阿谁州的官方旗号，临了回报旗号上对角条带的格式（谜底是白色）。但AI十足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普通的关键词，最终答了"红色"——它把旗号合座的红色布景和那条对角白色条带欺侮了。问题出在率先就莫得把视觉踪迹看成搜索的起点，而是一头扎进了笔墨寰球里打转。

**说到底，这项估量告诉咱们什么**

归根结底，InterLV-Search揭示了一个现在整个AI搜索系统皆濒临的共同逆境：它们在使用视觉笔据时，要么只会用图作为起初，要么只会用图作为非常，真实能把图片看成搜索链条中反复出现的"路标"的系统，现在还简直不存在。

最好的营业模子在这套测试中的合座准确率不到50%，这个数字诠释刻下的AI离"像东谈主通常当然地轮流使用视觉和笔墨来查找信息"还有额外大的差距。而开源搜索专用模子的发达甚而更令东谈主担忧——它们在加上用具之后反而可能发达更差，诠释问题不单是用具有莫得，更是有了用具之后懂不懂得用、会不会在适当的时机切换到视觉搜索模式。

这对平常东谈主意味着什么？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，但从第二步启动，视觉踪迹和笔墨推理的无缝衔尾时常就会断掉。

这项估量通过构建一套系统性的测评用具，让这个问题变得可测量、可跟踪、可调动。某种真谛上，它作念的事情便是给AI搜索才气的瑕玷画了一张精准的舆图，让后续的估量者知谈应该把力气花在何处。至于AI什么时候能真实作念到像东谈主通常带领地在视觉和笔墨之间走动穿行，这谈题的谜底还需要时辰来揭晓。数据集和评测代码如故开源，任何有益思的估量团队皆可以在此基础上赓续探索。

---

Q&A

Q1：InterLV-Search测试基准和平常的多模态搜索测试有什么本质区别？

A：平常的多模态搜索测试时时只关心两种模式：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，用那张图回报一个局部视觉问题。InterLV-Search的本质区别在于，它要求图片在整个这个词搜索经过中反复出现，每一张半途找到的图皆要成为"下一步该搜什么"的依据，而不是搜索链条的非常。通俗说，便是从"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用具反而发达变差？

A：这是因为这些开源模子是针对笔墨搜索任务专门西宾的，它们的搜索计较战术自然倾向于反复调用笔墨查询用具。迎面对需要在特定时机切换到图片搜索的轮流任务时，这些模子不知谈什么时候该罢手笔墨搜索、转而发起视觉检索，于是用具调用变成了无效甚而无益的行动，破钞了顾惜的交互轮数却莫得找到关键的视觉笔据。根柢问题不是用具自己有残障，而是模子空泛"什么时候该看图、什么时候该搜笔墨"的判断才气。

Q3：InterLV-Search的多分支题型在测试中体现了什么非常难点？

A：多分支题型要求AI同期诊疗多条平行推理链，分别沿每条链征集笔据，再根据相比结果选用其中一条赓续久了。这对AI的搜索状况管制建议了远超单链题的要求——它必须记着我刚直在同期跑几条线、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相比采取。实验数据走漏，整个测试模子在多分支题上的准确率皆权贵低于单链题AG真人(中国)官方IOS|Android手机app下载，诠释当搜索旅途不再是一条直线时，刻下AI系统的多任务妥洽才气较着不及。