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纠合开展的接头，以预印本方法发布于2026年5月，论文编号为arXiv:2605.07510，有好奇瞻仰深切了解的读者可通过该编号查询完好论文。

**一个被疏远的真实场景**

假定你正在为一篇旅游攻略寻找信息。你看到一张相片，内部有一座独到的多塔尖建筑，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，终末还想望望那座姐妹城市的某个地标性建筑长什么样。这通盘流程，你的眼睛和搜索框是瓜代作事的——看一眼图片，搜一下翰墨，再看一张图片，再搜一段翰墨。这种"瓜代"，恰是东说念主类信息查找的真实气象。

然则，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行为"发问的来源"，要么只会把找到的图片行为"回复的止境"，从来不会把半途找到的图片行为"下一步该搜什么"的痕迹。这就像一个考察，他能看懂第一张现场相片，也能在终末亮出破案图片，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。

这项纠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，稀薄评估AI系统能否像确切的考察相同，让视觉左证在通盘搜索流程中捏续施展"指点下一步"的作用，而非只是充任来源或闭幕的遮拦。

**一、现存AI搜索系统的"止境罗网"**

设施会这项接头惩办的问题，需要先弄了了现存系统卡在那儿。

早期的多模态搜索基准，举例MMSearch和FVQA-Test，其实是把图片行为"题目附件"来使用的。用户上传一张图，AI用翰墨去网上查贵寓，终末给出翰墨谜底。通盘流程中，图片的扮装只是触发搜索的发轫，之后便退场了。这类系统惩办的问题其实是"我有一张图，我想知说念对于这张图的某个翰墨信息"，图片是起跑线，翰墨是止境线。

其后，接头者们领路到这还不够，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不仅要搜翰墨，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往还复问题。这还是是很大的高出了，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，那张图的责任就已矣了。找到一张图，看一眼激情大略数一数东说念主数，然后给出谜底——图片永远是"终末一步"，是问卷上终末一起填空题，而不是引出下一起题的痕迹。

现实中的信息搜索正好不是这么的。更常见的情况是：你找到一张图，从这张图里辩别出一个东说念主、一个场地或一个象征，然后这个贯通结果成为你下一次搜索的起点，于是再找一段翰墨，再找一张图，如斯轮回。图片在通盘搜索链条中不是止境，而是一个又一个的"中转站"。

这种"中转站"式的视觉左证使用面貌，在已有的整个基准测试中皆付之阙如。InterLV-Search的建树，恰是为了稀薄测量AI在这个维度上的能力。

**二、InterLV-Search：用三关卡设想模拟真实侦查**

通盘基准被设想成三个难度递进的关卡，每一关皆对应考察破案流程中的一个具体能力。

第一关叫作念"主动视觉左证获取"。在这一关里，每说念题的问题是用纯翰墨形貌的，但回复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年降生、与某位历史上驰名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？"要回复这个问题，AI必须先根据翰墨形貌猜出这个东说念主是谁，然后主动去找到这个东说念主的相片，终末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"——这是一个必须确切看到图能力知说念的视觉细节。这一关锻练的是AI能否从翰墨需求启航，主动把视觉左证找追溯。

第二关叫作念"离线瓜代多模态搜索"。这一关的题目更长、更复杂，谜底需要经过多轮"看图→搜翰墨→看图→搜翰墨"的瓜代流程能力获取。接头团队使用的是一个受控的离线数据库，幸免真实采集的不彊壮性干豫评测结果。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，它的大圆顶是什么激情？"谜底是"红色"。要得到这个谜底，AI必须先搜翰墨认出第一座城市（杭州），再搜图认出第二座城市（武汉），再搜翰墨找到阿谁东欧口岸（加拉茨），再搜翰墨证据南亚皆市（孟买），终末再搜图不雅察那栋建筑的圆顶激情。通盘流程，图片在中间充任了两次"定向箭头"，指点着接下来要搜什么。

第三关叫作念"绽放采集瓜代多模态搜索"。这一关和第二关锻练的能力本体交流，但环境换成了真实的绽放采集。真实采集意味着搜索结果不彊壮、页面内容随时变化、噪声信息远多于有效信息。在这种要求下完成多轮瓜代搜索，难度自然大幅晋升。此外，第三关还引入了一种特殊的"多分支"题型：题目不唯有一条推理链，而是同期开启多条平行痕迹，AI必须把每条痕迹皆跑一遍，采集并比拟各条泄露上的信息，然后根据比拟结果采取接续深切哪条线。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，再顺着这部电影的有关信息接续往下查。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痕迹——你必须全部核查，然后根据左证作念出采取。

**三、数据是若何制造出来的**

制造一个能测试上述能力的数据集，本人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，内部包含节略一万五千个实体，每个实体皆有图片、翰墨形貌和学问图谱探求。接头团队用全自动的AI活水线来生成题目：先让一个大说话模子为某个实体构造一个"不看图就无法回复的视觉细节问题"，再让它构造一个"不径直点名该实体的空匮翰墨形貌"，终末把这两部分自然地拼合成一起完好的题目。生成之后还有严格的过滤设施，稀薄剔除那些谜底可以从翰墨形貌里径直猜出来、大略题目里还是不预防泄露了实体称呼的"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"必须看图能力接续"的视觉中转站。

第三关的数据则需要东说念主机勾通来完成。接头团队让一个具备联网搜索能力的无边AI模子（GPT-5.4-Thinking）先行生成题目草稿，包括题目本人、参考谜底和完好的搜索推理链。然后由博士级别的东说念主类标注者审阅每一起题，搜检推理链是否真实确凿、视觉中转站是否鼓胀关节、谜底来源是否庞杂可查。如若发现问题，标注者会径直反馈给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径直回复这些题，惟有那些"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%）。题目隐敝文娱、名东说念主、场地、组织机构、地舆标记、科技、旅游、艺术等多个范畴，确保测试结果不会因为范畴单一而失去代表性。

**四、测试用具：InterLV-Agent**

为了让不同的AI系统在交流要求下接管测评，接头团队还开发了一套叫作念InterLV-Agent的表率化评测框架。这个框架的作事面貌可以清爽为给每个参赛AI配备了一套表率用具箱，用具箱里包括翰墨采集搜索、图片搜索（用翰墨形貌找图）、反向图片搜索（用一张图找相似的图）、网页浏览（读取网页翰墨内容）、网页截图浏览（把网页渲染成图片来看）、图片编订和代码实行。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，稀薄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"两层驰念"系统。短期驰念径直保存最近几轮的用具调用和复返结果，而耐久驰念则是一个束缚更新的简陋选录，记载已知的关节实体、视觉痕迹沙门未惩办的子方针。这套驰念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"——就像考察随身佩带的案件札记本，自然不会记载每一个细节，但总能领导我方案件的中枢痕迹和现时进展。

每说念题的交互轮数也有明确已矣：第一关最多3轮，第二关最多7轮，第三关最多10轮。每轮交互包括一次想考、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、一名和措辞相反，金年会(JinNianHui)体育官网只消语义等价就判为正确。

**五、实验结果：莫得哪个AI系统推崇令东说念主爽气**

接头团队测试了五个贸易闭源模子（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：即使是推崇最好的模子，合座准确率也莫得高出50%。推崇最好的Gemini-3.1-Pro在三关系数的用具补助下达到了46.05%（第一关）、41.33%（第二关）和46.46%（第三关）的获利，但距离"惩办了这个问题"还有特别长的距离。

不使用任何用具、纯靠模子已有学问径直作答的情况下，整个模子在第三关的推崇皆目不忍视，最好的也惟有20%傍边，充分阐述注解了这批题目照实不成靠死记硬背蒙混过关，必须确切去搜索才行。

使用用具之后，贸易模子的推崇均有显着晋升，尤其是在第二关和第三关，晋升幅度可达10到30个百分点。这阐述用具照实有效，但不同模子使用用具的结果相反很大，反应出各自由搜索设想、视觉定位和多模态左证整合上的能力上下不同。

开源搜索专用模子的情况则令东说念主不测：加上用具之后，它们的推崇不仅莫得显耀晋升，有的甚而比不必用具时还要差。这揭示出一个紧迫现实——为翰墨搜索稀薄优化的开源模子，在面对需要反复切换视觉和翰墨的瓜代搜索任务时，反而因为乱用用具而走了弯路，搜索设想能力的缺失比用具本人的已矣更致命。

多分支题型和单链题型之间的差距也特别显耀。在第三关，整个模子在单链题上的准确率皆显着高于多分支题，阐述当搜索旅途不再是一条直线、而是需要同期顾惜多条平行痕迹时，现时AI系统的和洽能力显着不及。

**六、深切剖解：问题究竟出在那儿**

为了更缜密地定位失败原因，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。他们差别了两种情况：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。

结果相称澄清。当AI生效找到了方针图片时，最终答对的概率大幅晋升——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，答对率惟有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；确切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惟有35%傍边，这才是通盘系统最薄弱的设施。

用具使用俗例的分析也揭示了真谛的国法。在第二关（离线环境）里，AI的用具调用被图片有关操作东导——Gemini有68.3%的用具调用皆是图片搜索类操作，这与第二关的设想意图高度吻合，阐述模子照实清爽了这说念题需要找图。而在第三关（绽放采集），翰墨采集搜索占据了大头（60%以上），图片操作的比例有所下跌但仍占17%傍边，阐述第三关并莫得退化成纯翰墨的网页浏览游戏，视觉搜索依然是不可短缺的一环。

接头团队还稀薄分析了AI的履行实行旅途，搜检那些搜索轨迹中是否确切出现了"用视觉左证指点下一步搜索"的举止。在第二关，Gemini有88.9%的实行旅途包含了视觉中转站，Claude达到80%，GPT-5.4也有74.9%。这阐述注解InterLV-Search照实生效地测到了它想测的能力，而不单是是在锻练无为的翰墨搜索手段。

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实足不必用具径直回复的水平，阐述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翰墨痕迹作为补充，但依然变成了一致性的获利下滑。驰念系统的紧迫性在第三关体现得比第二关更显着，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"来保管搜索气象的连贯性。

**七、从失败案例中看懂中枢难题**

论文终末提供的生效与失败案例，把上述发现讲得愈加具体无邪。

一个生效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，然后接续深切那部电影的方针图，回复方针图里某个自然景象的问题。AI的处理流程是先对三个视觉形貌各自进行图片搜索，定位到三部候选电影（Nox、Krakatoa、My Semba），然后切换到翰墨搜索获取时长数据（分别是64分钟、79分钟和93分钟），比拟之后采用中间值79分钟对应的Krakatoa，终末回到图片搜索找到Krakatoa的方针图，通过视觉不雅察回复"标题翰墨后头起飞的是什么自然景象"——谜底是火山喷发。这个生效案例的关节在于，AI在通盘流程中捏续地把图片和翰墨瓜代使用，况且每一次切换皆有明确的办法和依据。

一个典型的失败案例则违犯：题目要求AI分别找到Tate好意思术馆的毕加索有关页面和柏林电影节的新泻有关页面，从这两个页面启航参加各自的"土产货象征系统"，比拟两者的数目，沿着数目较小的那条痕迹接续，最终回复对应旌旗边框左半部分是什么激情。AI作念了多量的翰墨搜索，也生效找到了两个页面，但它从来莫得确切把这两个页面与各自对应的土产货象征系统（马拉加的徽章和新泻的官方象征系统）开导视觉连系，更莫得去统计和比拟数目。到终末，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奋力，而是它把图片搜索当成了可选项，莫得领路到视觉左证在这说念题里是不可绕过的必经设施。

另一个单链失败案例更能阐述问题：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"督察者形象"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，再查阿谁州的官方旌旗，终末回复旌旗上对角条带的激情（谜底是白色）。但AI实足莫得主动去搜检巴士的视觉外不雅，一直在用翰墨查询多样平方的关节词，最终答了"红色"——它把旌旗合座的红色配景和那条对角白色条带沾污了。问题出在当先就莫得把视觉痕迹行为搜索的起点，而是一头扎进了翰墨全国里打转。

**说到底，这项接头告诉咱们什么**

归根结底，InterLV-Search揭示了一个现在整个AI搜索系统皆面对的共同逆境：它们在使用视觉左证时，要么只会用图作为发轫，要么只会用图作为止境，确切能把图片行为搜索链条中反复出现的"路标"的系统，现在还简直不存在。

最好的贸易模子在这套测试中的合座准确率不到50%，这个数字阐述现时的AI离"像东说念主相同自然地瓜代使用视觉和翰墨来查找信息"还有特别大的差距。而开源搜索专用模子的推崇甚而更令东说念主担忧——它们在加上用具之后反而可能推崇更差，阐述问题不单是用具有莫得，更是有了用具之后懂不懂得用、会不会在稳健的时机切换到视觉搜索模式。

这对无为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，但从第二步启动，视觉痕迹和翰墨推理的无缝连系常常就会断掉。

这项接头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、可改良。某种道理上，它作念的事情等于给AI搜索能力的缺点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儿。至于AI什么时候能确切作念到像东说念主相同通顺地在视觉和翰墨之间往还穿行，这说念题的谜底还需要手艺来揭晓。数据集和评测代码还是开源，任何有好奇瞻仰的接头团队皆可以在此基础上接续探索。

---

Q&A

Q1：InterLV-Search测试基准和无为的多模态搜索测试有什么本体区别？

A：无为的多模态搜索测试时常只怜惜两种模式：要么把图片作为问题的发轫，然后靠翰墨搜索得出谜底；要么要求AI主动找到某张图，用那张图回复一个局部视觉问题。InterLV-Search的本体区别在于，它要求图片在通盘搜索流程中反复出现，每一张半途找到的图皆要成为"下一步该搜什么"的依据，而不是搜索链条的止境。恣意说，等于从"图→翰墨→谜底"或"翰墨→图→谜底"，升级为"翰墨→图→翰墨→图→翰墨→图→谜底"的反复瓜代模式。

Q2：为什么开源搜索专用模子加上用具反而推崇变差？

A：这是因为这些开源模子是针对翰墨搜索任务稀薄教师的，它们的搜索设想战略自然倾向于反复调用翰墨查询用具。迎面对需要在特定时机切换到图片搜索的瓜代任务时，这些模子不知说念什么时候该罢手翰墨搜索、转而发起视觉检索，于是用具调用变成了无效甚而无益的举止，糜费了珍摄的交互轮数却莫得找到关节的视觉左证。压根问题不是用具本人有弱势，而是模子贫窭"什么时候该看图、什么时候该搜翰墨"的判断能力。

Q3：InterLV-Search的多分支题型在测试中体现了什么特殊难点？

A：多分支题型要求AI同期顾惜多条平行推理链，分别沿每条链征集左证，再根据比拟结果采用其中一条接续深切。这对AI的搜索气象料理提议了远超单链题的要求——它必须记着我正派在同期跑几条线、每条线上还是找到了什么、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取。实验数据裸露金年会(JinNianHui)体育官网，整个测试模子在多分支题上的准确率皆显耀低于单链题，阐述当搜索旅途不再是一条直线时，现时AI系统的多任务和洽能力显着不及。