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结伴开展的究诘，以预印本形式发布于2026年5月，论文编号为arXiv:2605.07510，有兴趣真切了解的读者可通过该编号查询完好论文。

**一个被淡薄的真实场景**

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，终末还想望望那座姐妹城市的某个地标性建筑长什么样。这通盘历程，你的眼睛和搜索框是轮流处事的——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真实景况。

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道的盲区：它们要么只会把图片算作"发问的起首"，要么只会把找到的图片算作"回复的绝顶"，从来不会把半途找到的图片算作"下一步该搜什么"的陈迹。这就像一个窥探，他能看懂第一张现场相片，也能在终末亮出破案图片，但中间的侦查历程却全部靠猜，从不主动拿着陈迹去追查下一条陈迹。

这项结伴究诘恰是为了填补这个空缺而伸开的，他们构建了一个名为**InterLV-Search**的测试基准，挑升评估AI系统能否像简直的窥探同样，让视觉凭据在通盘搜索历程中抓续阐扬"诱骗下一步"的作用，而非只是充任起首或拆除的讳饰。

**一、现存AI搜索系统的"绝顶罗网"**

要调处这项究诘治理的问题，需要先弄明晰现存系统卡在那处。

早期的多模态搜索基准，举例MMSearch和FVQA-Test，其实是把图片算作"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，终末给出笔墨谜底。通盘历程中，图片的变装只是触发搜索的泉源，之后便退场了。这类系总揽理的问题其实是"我有一张图，我想知说念对于这张图的某个笔墨信息"，图片是起跑线，笔墨是绝顶线。

自后，究诘者们领略到这还不够，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往返复问题。这还是是很大的特出了，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，那张图的责任就达成了。找到一张图，看一眼颜料或者数一数东说念主数，然后给出谜底——图片长久是"终末一步"，是问卷上终末一皆填空题，而不是引出下一皆题的陈迹。

现实中的信息搜索适值不是这么的。更常见的情况是：你找到一张图，从这张图里鉴识出一个东说念主、一个方位或一个象征，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。图片在通盘搜索链条中不是绝顶，而是一个又一个的"中转站"。

这种"中转站"式的视觉凭据使用方式，在已有的通盘基准测试中都付之阙如。InterLV-Search简直立，恰是为了挑升测量AI在这个维度上的才调。

**二、InterLV-Search：用三关卡联想模拟真实侦查**

通盘基准被联想成三个难度递进的关卡，每一关都对应窥探破案历程中的一个具体才调。

第一关叫作念"主动视觉凭据获取"。在这一关里，每说念题的问题是用纯笔墨描画的，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年出身、与某位历史上著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必须先根据笔墨描画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"——这是一个必须简直看到图才能知说念的视觉细节。这一关考验的是AI能否从笔墨需求动身，主动把视觉凭据找回首。

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"的轮流历程才能获取。究诘团队使用的是一个受控的离线数据库，幸免真实蚁合的不结实性滋扰评测结果。比如题目会说："从那座以浩荡湖面、小亭画舫和当代高楼共同组成标记性景不雅的城市动身，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好多拱形窗的知名建筑，它的大圆顶是什么颜料？"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），再搜笔墨证据南亚都市（孟买），终末再搜图不雅察那栋建筑的圆顶颜料。通盘历程，图片在中间充任了两次"定向箭头"，诱骗着接下来要搜什么。

第三关叫作念"绽开蚁合轮流多模态搜索"。这一关和第二关锤真金不怕火的才调实验疏浚，但环境换成了真实的绽开蚁合。真实蚁合意味着搜索结果不结实、页面内容随时变化、噪声信息远多于有效信息。在这种条款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零碎的"多分支"题型：题目不惟有一条推理链，而是同期开启多条平行陈迹，AI必须把每条陈迹都跑一遍，蚁合并相比各条剖析上的信息，然后根据相比结果遴荐接续真切哪条线。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，再顺着这部电影的探究信息接续往下查。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陈迹——你必须全部核查，然后根据凭据作念出遴荐。

**三、数据是何如制造出来的**

制造一个能测试上述才调的数据集，自己即是一件复杂的工程。

第一关和第二关的数据来自一个叫作念MMKG-W的维基百科多模态常识图谱，内部包含好像一万五千个实体，每个实体都有图片、笔墨描画和常识图谱探究。究诘团队用全自动的AI活水线来生成题目：先让一个谎言语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依稀笔墨描画"，终末把这两部分当然地拼合成一皆完好的题目。生成之后还有严格的过滤口头，挑升剔除那些谜底可以从笔墨描画里径直猜出来、或者题目里还是不堤防露馅了实体称号的"舞弊题"。第二关在此基础上进一步引入了常识图谱的多跳旅途，让题目中的推理链横跨多个实体，并在其中某个节点插入"必须看图才能接续"的视觉中转站。

第三关的数据则需要东说念主机配合来完成。究诘团队让一个具备联网搜索才调的巨大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皆题，检讨推理链是否真实简直、视觉中转站是否实足要津、谜底来源是否结实可查。要是发现问题，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，唯有那些"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%）。题目障翳文娱、名东说念主、方位、组织机构、地舆标记、科技、旅游、艺术等多个范围，确保测试结果不会因为范围单一而失去代表性。

**四、测试器用：InterLV-Agent**

为了让不同的AI系统在疏浚条款下承袭测评，究诘团队还开采了一套叫作念InterLV-Agent的表率化评测框架。这个框架的处事方式可以调处为给每个参赛AI配备了一套表率器用箱，器用箱里包括笔墨蚁合搜索、图片搜索（用笔墨描画找图）、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，器用箱里还有一套离线腹地检索器用，挑升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。

除了器用除外，框架还为每个AI配备了一套轻量级的"两层记念"系统。短期记念径直保存最近几轮的器用调用和复返结果，而持久记念则是一个连续更新的苟简摘记，记载已知的要津实体、视觉陈迹梵衲未治理的子筹办。这套记念系统的联想初志是让AI在漫长的多跳搜索历程中不至于"健无私方在找什么"——就像窥探随身佩戴的案件条记本，固然不会记载每一个细节，但总能请示我方案件的中枢陈迹和现时进展。

每说念题的交互轮数也有明确物化：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、一次或屡次器用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、一名和措辞各别，斗鱼体育官网只须语义等价就判为正确。

**五、实验结果：莫得哪个AI系统阐扬令东说念主幽闲**

究诘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），通盘模子都在疏浚的InterLV-Agent框架下运行。

最中枢的发现是：即使是阐扬最好的模子，全体准确率也莫得特出50%。阐扬最好的Gemini-3.1-Pro在三关打算的器用扶植下达到了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"还有荒谬长的距离。

不使用任何器用、纯靠模子已有常识径直作答的情况下，通盘模子在第三关的阐扬都惨不忍闻，最好的也唯有20%把握，充分证明了这批题目照实不可靠死记硬背蒙混过关，必须简直去搜索才行。

使用器用之后，营业模子的阐扬均有明显进步，尤其是在第二关和第三关，进步幅度可达10到30个百分点。这说明器用照实有效，但不同模子使用器用的效果各别很大，反应出各神圣搜索权略、视觉定位和多模态凭据整合上的才调上下不同。

开源搜索专用模子的情况则令东说念主有时：加上器用之后，它们的阐扬不仅莫得显赫进步，有的以至比不必器用时还要差。这揭示出一个遑急现实——为笔墨搜索挑升优化的开源模子，在面对需要反复切换视觉和笔墨的轮流搜索任务时，反而因为乱用器用而走了弯路，搜索权略才调的缺失比器用自己的物化更致命。

多分支题型和单链题型之间的差距也荒谬显赫。在第三关，通盘模子在单链题上的准确率都明显高于多分支题，说明当搜索旅途不再是一条直线、而是需要同期珍爱多条平行陈迹时，现时AI系统的和洽才调明显不及。

**六、真切剖解：问题究竟出在那处**

为了更精致地定位失败原因，究诘团队对第一关和第二关的结果作念了进一步拆解分析。他们分别了两种情况：AI最终找到了正确的筹办图片，以及AI莫得找到正确的筹办图片，然后分别统计这两种情况下最终答题的正确率。

结果相等剖析。当AI成效找到了筹办图少顷，最终答对的概率大幅进步——Gemini在第一关找到筹办图时的答对率高达59.51%，在第二关更是达到73.75%。而莫得找到筹办图时，答对率唯有23%到34%把握。这意味着：只须能找到正确的图，AI其实荒谬擅长从图片里读出正确谜底；简直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，筹办图片检索调回率唯有35%把握，这才是通盘系统最薄弱的口头。

器用使用民风的分析也揭示了风趣的规章。在第二关（离线环境）里，AI的器用调用被图片探究操作东导——Gemini有68.3%的器用调用都是图片搜索类操作，这与第二关的联想意图高度吻合，说明模子照实调处了这说念题需要找图。而在第三关（绽开蚁合），笔墨蚁合搜索占据了大头（60%以上），图片操作的比例有所下跌但仍占17%把握，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短缺的一环。

究诘团队还挑升分析了AI的实验扩充旅途，检讨那些搜索轨迹中是否简直出现了"用视觉凭据诱骗下一步搜索"的举止。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%。这证明InterLV-Search照实成效地测到了它想测的才调，而不单是是在锤真金不怕火泛泛的笔墨搜索手段。

去掉图片搜索器用之后会发生什么？在第二关，去掉图片搜索的结果接近以至低于透顶不必器用径直回复的水平，说明图片搜索对于第二关而言险些是不可或缺的。在第三关，去掉图片搜索的影响稍小，因为真实蚁合提供了更丰富的笔墨陈迹作为补充，但依然酿成了一致性的收货下滑。记念系统的遑急性在第三关体现得比第二关更明显，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"来保管搜索景况的连贯性。

**七、从失败案例中看懂中枢难题**

论文终末提供的成效与失败案例，把上述发现讲得愈加具体无邪。

一个成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，相比它们的时长，保留时长居中的那部，然后接续真切那部电影的筹办图，回复筹办图里某个当然景象的问题。AI的处理历程是先对三个视觉描画各自进行图片搜索，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），相比之后选择中间值79分钟对应的Krakatoa，终末回到图片搜索找到Krakatoa的筹办图，通过视觉不雅察回复"标题笔墨后头起飞的是什么当然景象"——谜底是火山喷发。这个成效案例的要津在于，AI在通盘历程中抓续地把图片和笔墨轮流使用，何况每一次切换都有明确的方针和依据。

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探究页面和柏林电影节的新泻探究页面，从这两个页面动身参加各自的"腹地象征系统"，相比两者的数目，沿着数目较小的那条陈迹接续，最终回复对应旗号边框左半部分是什么颜料。AI作念了深广的笔墨搜索，也成效找到了两个页面，但它从来莫得简直把这两个页面与各自对应的腹地象征系统（马拉加的徽章和新泻的官方象征系统）修复视觉纠合，更莫得去统计和相比数目。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竭力，而是它把图片搜索当成了可选项，莫得领略到视觉凭据在这说念题里是不可绕过的必经口头。

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，要津在于巴士车身上借用了某个"看护者形象"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，然后以这个视觉陈迹为跳板，找到对应的城市所在州，再查阿谁州的官方旗号，终末回复旗号上对角条带的颜料（谜底是白色）。但AI透顶莫得主动去检讨巴士的视觉外不雅，一直在用笔墨查询各式泛泛的要津词，最终答了"红色"——它把旗号全体的红色配景和那条对角白色条带浑浊了。问题出在率先就莫得把视觉陈迹算作搜索的起点，而是一头扎进了笔墨寰宇里打转。

**说到底，这项究诘告诉咱们什么**

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：它们在使用视觉凭据时，要么只会用图作为泉源，要么只会用图作为绝顶，简直能把图片算作搜索链条中反复出现的"路标"的系统，当今还险些不存在。

最好的营业模子在这套测试中的全体准确率不到50%，这个数字说明现时的AI离"像东说念主同样当然地轮流使用视觉和笔墨来查找信息"还有荒谬大的差距。而开源搜索专用模子的阐扬以至更令东说念主担忧——它们在加上器用之后反而可能阐扬更差，说明问题不单是器用有莫得，更是有了器用之后懂不懂得用、会不会在允洽的时机切换到视觉搜索模式。

这对泛泛东说念看法味着什么？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，但从第二步运转，视觉陈迹和笔墨推理的无缝衔尾每每就会断掉。

这项究诘通过构建一套系统性的测评器用，让这个问题变得可测量、可跟踪、可更动。某种真谛真谛上，它作念的事情即是给AI搜索才调的缺陷画了一张精准的舆图，让后续的究诘者知说念应该把力气花在那处。至于AI什么时候能简直作念到像东说念主同样畅通地在视觉和笔墨之间往返穿行，这说念题的谜底还需要技术来揭晓。数据集和评测代码还是开源，任何有兴趣的究诘团队都可以在此基础上接续探索。

---

Q&A

Q1：InterLV-Search测试基准和泛泛的多模态搜索测试有什么实验区别？

A：泛泛的多模态搜索测试每每只关爱两种模式：要么把图片作为问题的泉源，然后靠笔墨搜索得出谜底；要么要求AI主动找到某张图，用那张图回复一个局部视觉问题。InterLV-Search的实验区别在于，它要求图片在通盘搜索历程中反复出现，每一张半途找到的图都要成为"下一步该搜什么"的依据，而不是搜索链条的绝顶。绵薄说，即是从"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器用反而阐扬变差？

A：这是因为这些开源模子是针对笔墨搜索任务挑升教练的，它们的搜索权略政策自然倾向于反复调用笔墨查询器用。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时候该住手笔墨搜索、转而发起视觉检索，于是器用调用变成了无效以至无益的举止，铺张了珍爱的交互轮数却莫得找到要津的视觉凭据。根底问题不是器用自己有弱势，而是模子艰苦"什么时候该看图、什么时候该搜笔墨"的判断才调。

Q3：InterLV-Search的多分支题型在测试中体现了什么零碎难点？

A：多分支题型要求AI同期珍爱多条平行推理链斗鱼体育官网，分别沿每条链征集凭据，再根据相比结果选择其中一条接续真切。这对AI的搜索景况不断提倡了远超单链题的要求——它必须记着我梗直在同期跑几条线、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相比遴荐。实验数据清楚，通盘测试模子在多分支题上的准确率都显赫低于单链题，说明当搜索旅途不再是一条直线时，现时AI系统的多任务和洽才调明显不及。