ODE：面向视觉原生多模态深度搜索智能体的策略数据演化方法

本文提出ODE方法，通过视觉原生框架（图像银行引用协议）解决多模态搜索中视觉证据复用问题，借助闭环数据生成器（ODE）解决训练数据静态化问题。在8个基准测试上显著提升智能体性能，如Qwen3-VL-8B平均得分从24.9%提升至39.0%，超越Gemini-2.5 Pro（37.9%）。

多模态深度搜索要求智能体链式调用工具、分析图像并进行复杂推理，但当前系统面临两大瓶颈：

1. 视觉证据临时性：现有工具框架将图像视为一次性输出，中间视觉证据无法被后续工具复用；
2. 训练数据静态化：固定流程构建的数据无法适应策略能力的动态演变，导致资源浪费。

论文提出视觉原生智能体框架，核心为图像银行引用协议：

• 将工具返回的图像注册为可寻址引用，存储于“图像银行”；
• 后续工具可通过引用ID访问历史图像，实现视觉证据在推理链中的复用；
• 解决多步视觉推理问题（如地图标注→分析），避免重复生成/传输图像，提升效率与信息完整性。

ODE是与策略训练同步的闭环数据生成器，核心流程：

1. 当前策略rollout生成执行轨迹；
2. 分析轨迹识别成败模式；
3. 生成针对性训练数据强化薄弱环节；
4. 用新数据训练策略并重复。 支持监督微调（SFT）与强化学习（RL）数据策划，覆盖智能体完整训练生命周期。

在8个多模态深度搜索基准测试中，ODE效果显著：

• Qwen3-VL-8B：平均得分从24.9%提升至39.0%（+56%），超越Gemini-2.5 Pro（37.9%）；
• Qwen3-VL-30B：平均得分从30.6%提升至41.5%。 证明动态数据生成可弥补模型规模差距。

1. 图像银行复用：在迭代视觉优化任务中，避免重复开销并保持信息完整；
2. Rollout反馈优势：基于策略实际表现生成数据，比静态合成更匹配任务需求；
3. 动态适应：静态数据无法随策略进步调整难度，ODE逐轮精炼避免资源浪费。

应用前景：

• 推广至通用智能体训练、视觉-语言模型（VLM）优化；
• 降低多模态数据标注成本；
• 支持持续学习（部署后迭代优化）。 局限与方向：
• 优化计算开销；
• 验证开放世界泛化能力；
• 提升可解释性；
• 适配多智能体协作场景。