GeoBrowse：结合视觉推理与多跳验证的地理定位智能体评测基准

本文介绍GeoBrowse基准测试，旨在评估多模态智能体的工具使用能力。该基准结合视觉线索组合与开放式网络验证，为深度研究智能体的发展提供了新的评测框架。GeoBrowse通过地理定位任务，考察智能体整合多源信息、利用外部知识验证的能力，填补了现有评测基准在视觉与多跳推理结合方面的空白。

随着深度研究智能体的兴起，其能力评估面临挑战。现有基准存在局限：BrowseComp专注纯文本多跳推理但缺乏视觉考察，多模态基准则少同时要求弱视觉线索组合与多跳验证。地理定位是理想评测场景，因其需多源视觉线索整合（建筑风格、路牌等）、开放式知识验证（如搜索文字信息确认地点），且基于真实世界场景，能反映智能体实际表现。

GeoBrowse基准含两级难度：Level1测试视觉线索提取与组合能力；Level2引入长尾知识和实体混淆，测试深度推理。配套GATE智能体工作流有9种工具：5种图像思考工具（细节观察、文本识别等）支持视觉分析，4种知识密集型工具（事实验证、地理查询等）支持网络检索。此外，提供专家标注的推理轨迹，支持轨迹级分析。

实验显示GATE显著优于直接推理和开源基线。关键发现：纯感知或纯搜索不足，需视觉与知识结合；工具组合协同使用比单一工具更有效；GATE的优势来自连贯的领域特定计划（Level1优先图像工具，Level2积极调用知识工具）、达成关键证据步骤、整合阶段错误少。且性能提升源于合理工具使用计划，非单纯增加调用次数。

GeoBrowse是多模态智能体评测的重要进展，结合视觉推理与知识验证，提供了严谨的评估框架。核心发现强调工具使用策略的重要性：成功智能体需合适工具及正确使用时机。GATE的表现证明连贯、任务感知的工具使用计划的价值。此类基准将帮助理解智能体能力边界，指导下一代智能体开发。

GeoBrowse对智能体研究的启示：评测基准应注重多模态整合、开放式验证、细粒度分析；工具使用策略需动态适应任务、以证据为导向、提升整合能力。局限性包括领域特定性、语言偏向（英文资源为主）、工具集限制。未来可扩展到其他领域、开发智能工具选择算法、研究多智能体协作价值。