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联接开展的商议，以预印本方式发布于2026年5月，论文编号为arXiv:2605.07510，有兴味深化了解的读者可通过该编号查询齐全论文。

**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。你看到一张像片，内部有一座私有的多塔尖建筑，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换就业的——看一眼图片，搜一下笔墨，再看一张图片，再搜一段笔墨。这种"轮换"，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性的盲区：它们要么只会把图片动作"发问的开首"，要么只会把找到的图片动作"复兴的特地"，从来不会把半途找到的图片动作"下一步该搜什么"的陈迹。这就像一个捕快，他能看懂第一张现场像片，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。

这项联接商议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，零散评估AI系统能否像信得过的捕快相同，让视觉左证在通盘搜索历程中握续阐扬"指挥下一步"的作用，而非只是充任开首或收尾的遮蔽。

**一、现存AI搜索系统的"特地罗网"**

要吞并这项商议惩办的问题，需要先弄了了现存系统卡在何处。

早期的多模态搜索基准，举例MMSearch和FVQA-Test，其实是把图片动作"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起初，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笔墨信息"，图片是起跑线，笔墨是特地线。

自后，商议者们知晓到这还不够，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复兴问题。这还是是很大的跳动了，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——图片持久是"终末一步"，是问卷上终末沿途填空题，而不是引出下沿途题的陈迹。

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，从这张图里鉴别出一个东说念主、一个处所或一个象征，然后这个默契终结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特地，而是一个又一个的"中转站"。

这种"中转站"式的视觉左证使用神志，在已有的整个基准测试中齐付之阙如。InterLV-Search的缔造，恰是为了零散测量AI在这个维度上的才能。

**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，每一关齐对应捕快破案历程中的一个具体才能。

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笔墨面孔的，但复兴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、与某位历史上闻明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？"要复兴这个问题，AI必须先根据笔墨面孔猜出这个东说念主是谁，然后主动去找到这个东说念主的像片，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"——这是一个必须信得过看到图才能知说念的视觉细节。这一关进修的是AI能否从笔墨需求启程，主动把视觉左证找总结。

第二关叫作念"离线轮换多模态搜索"。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"的轮换历程才能取得。商议团队使用的是一个受控的离线数据库，幸免真实蓄积的不踏实性过问评测终结。比如题目会说："从那座以宽绰湖面、小亭画舫和当代高楼共同组成标志性景不雅的城市启程，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齐市是姐妹城市，阿谁大齐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），再搜笔墨证实南亚齐市（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"，指挥着接下来要搜什么。

第三关叫作念"通达蓄积轮换多模态搜索"。这一关和第二关教师的才能本色疏浚，但环境换成了真实的通达蓄积。真实蓄积意味着搜索终结不踏实、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换搜索，难度自然大幅教学。此外，第三关还引入了一种特殊的"多分支"题型：题目不单要一条推理链，而是同期开启多条平行陈迹，AI必须把每条陈迹齐跑一遍，收罗并比拟各条透露上的信息，然后根据比拟终结选拔赓续深化哪条线。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，再顺着这部电影的揣摸信息赓续往下查。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陈迹——你必须全部核查，然后根据左证作念出选拔。

**三、数据是奈何制造出来的**

制造一个能测试上述才能的数据集，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的维基百科多模态常识图谱，内部包含八成一万五千个实体，每个实体齐有图片、笔墨面孔和常识图谱关系。商议团队用全自动的AI活水线来生成题目：先让一个假话语模子为某个实体构造一个"不看图就无法复兴的视觉细节问题"，再让它构造一个"扞拒直点名该实体的虚浮笔墨面孔"，终末把这两部分自然地拼合成沿途齐全的题目。生成之后还有严格的过滤门径，零散剔除那些谜底可以从笔墨面孔里平直猜出来、或者题目里还是不严防走漏了实体称号的"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"必须看图才能赓续"的视觉中转站。

第三关的数据则需要东说念主机相助来完成。商议团队让一个具备联网搜索才能的稠密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说念主类标注者审阅每沿途题，查验推理链是否真实真实、视觉中转站是否填塞要道、谜底来源是否踏实可查。要是发现问题，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复兴这些题，只消那些"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%）。题目覆盖文娱、名东说念主、处所、组织机构、地舆标志、科技、旅游、艺术等多个畛域，确保测试终结不会因为畛域单一而失去代表性。

**四、测试器具：InterLV-Agent**

为了让不同的AI系统在疏浚条款下吸收测评，商议团队还开导了一套叫作念InterLV-Agent的步调化评测框架。这个框架的就业神志可以吞并为给每个参赛AI配备了一套步调器具箱，器具箱里包括笔墨蓄积搜索、图片搜索（用笔墨面孔找图）、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）、图片剪辑和代码推行。对于第一关和第二关，器具箱里还有一套离线土产货检索器具，零散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。

除了器具除外，框架还为每个AI配备了一套轻量级的"两层记念"系统。短期记念平直保存最近几轮的器具调用和复返终结，而持久记念则是一个不休更新的轻便选录，记载已知的要道实体、视觉陈迹梵衲未惩办的子规划。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"——就像捕快随身佩戴的案件札记本，自然不会记载每一个细节，但总能提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死心：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、一次或屡次器具调用和对应的终结不雅察。最终的谜底评判由GPT-5.4-mini担任裁判，允许同义词、又名和措辞各别，银河国际游戏平台官网只消语义等价就判为正确。

**五、实验终结：莫得哪个AI系统发达令东说念主安谧**

商议团队测试了五个买卖闭源模子（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），整个模子齐在疏浚的InterLV-Agent框架下运行。

最中枢的发现是：即使是发达最好的模子，举座准确率也莫得越过50%。发达最好的Gemini-3.1-Pro在三关盘算推算的器具辅助下达到了46.05%（第一关）、41.33%（第二关）和46.46%（第三关）的收获，但距离"惩办了这个问题"还有格外长的距离。

不使用任何器具、纯靠模子已有常识平直作答的情况下，整个模子在第三关的发达齐惨不忍闻，最好的也只消20%摆布，充分阐述了这批题目确乎不成靠死记硬背蒙混过关，必须信得畴昔搜索才行。

使用器具之后，买卖模子的发达均有彰着教学，尤其是在第二关和第三关，教学幅度可达10到30个百分点。这说明器具确乎有效，但不同模子使用器具的后果各别很大，反馈出各任性搜索规划、视觉定位和多模态左证整合上的才能高下不同。

开源搜索专用模子的情况则令东说念主或然：加上器具之后，它们的发达不仅莫得权贵教学，有的致使比毋庸器具时还要差。这揭示出一个报复现实——为笔墨搜索零散优化的开源模子，在面对需要反复切换视觉和笔墨的轮换搜索任务时，反而因为乱用器具而走了弯路，搜索规划才能的缺失比器具自己的死心更致命。

多分支题型和单链题型之间的差距也格外权贵。在第三关，整个模子在单链题上的准确率齐彰着高于多分支题，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系统的融合才能彰着不及。

**六、深化剖解：问题究竟出在何处**

为了更精采地定位失败原因，商议团队对第一关和第二关的终结作念了进一步拆解分析。他们别离了两种情况：AI最终找到了正确的规划图片，以及AI莫得找到正确的规划图片，然后分别统计这两种情况下最终答题的正确率。

终结相当澄澈。当AI得胜找到了规划图俄顷，最终答对的概率大幅教学——Gemini在第一关找到规划图时的答对率高达59.51%，在第二关更是达到73.75%。而莫得找到规划图时，答对率只消23%到34%摆布。这意味着：只消能找到正确的图，AI其实格外擅长从图片里读出正确谜底；信得过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，规划图片检索调回率只消35%摆布，这才是通盘系统最薄弱的门径。

器具使用风气的分析也揭示了道理的规矩。在第二关（离线环境）里，AI的器具调用被图片揣摸操作东导——Gemini有68.3%的器具调用齐是图片搜索类操作，这与第二关的联想意图高度吻合，说明模子确乎吞并了这说念题需要找图。而在第三关（通达蓄积），笔墨蓄积搜索占据了大头（60%以上），图片操作的比例有所下落但仍占17%摆布，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清寒的一环。

商议团队还零散分析了AI的履行推行旅途，查验那些搜索轨迹中是否信得过出现了"用视觉左证指挥下一步搜索"的行径。在第二关，Gemini有88.9%的推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InterLV-Search确乎得胜地测到了它想测的才能，而不单是是在教师遍及的笔墨搜索手段。

去掉图片搜索器具之后会发生什么？在第二关，去掉图片搜索的终结接近致使低于齐全毋庸器具平直复兴的水平，说明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，因为真实蓄积提供了更丰富的笔墨陈迹作为补充，但依然形成了一致性的收获下滑。记念系统的报复性在第三关体现得比第二关更彰着，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"来督察搜索景况的连贯性。

**七、从失败案例中看懂中枢逶迤**

论文终末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，比拟它们的时长，保留时长居中的那部，然后赓续深化那部电影的规划图，复兴规划图里某个自然表象的问题。AI的处理历程是先对三个视觉面孔各自进行图片搜索，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），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的规划图，通过视觉不雅察复兴"标题笔墨后头腾飞的是什么自然表象"——谜底是火山喷发。这个得胜案例的要道在于，AI在通盘历程中握续地把图片和笔墨轮换使用，而况每一次切换齐有明确的主张和依据。

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揣摸页面和柏林电影节的新泻揣摸页面，从这两个页面启程投入各自的"土产货象征系统"，比拟两者的数目，沿着数目较小的那条陈迹赓续，最终复兴对应旗子边框左半部分是什么颜料。AI作念了多半的笔墨搜索，也得胜找到了两个页面，但它从来莫得信得过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）援助视觉邻接，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致力于，而是它把图片搜索当成了可选项，莫得知晓到视觉左证在这说念题里是不可绕过的必经门径。

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，要道在于巴士车身上借用了某个"守护者形象"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，然后以这个视觉陈迹为跳板，找到对应的城市所在州，再查阿谁州的官方旗子，终末复兴旗子上对角条带的颜料（谜底是白色）。但AI齐全莫得主动去查验巴士的视觉外不雅，一直在用笔墨查询多样平方的要道词，最终答了"红色"——它把旗子举座的红色配景和那条对角白色条带轻侮了。问题出在起先就莫得把视觉陈迹动作搜索的起点，而是一头扎进了笔墨宇宙里打转。

**说到底，这项商议告诉咱们什么**

归根结底，InterLV-Search揭示了一个现在整个AI搜索系统齐濒临的共同逆境：它们在使用视觉左证时，要么只会用图作为起初，要么只会用图作为特地，信得过能把图片动作搜索链条中反复出现的"路标"的系统，现在还简直不存在。

最好的买卖模子在这套测试中的举座准确率不到50%，这个数字说明现时的AI离"像东说念主相同自然地轮换使用视觉和笔墨来查找信息"还有格外大的差距。而开源搜索专用模子的发达致使更令东说念主担忧——它们在加上器具之后反而可能发达更差，说明问题不单是器具有莫得，更是有了器具之后懂不懂得用、会不会在适合的时机切换到视觉搜索模式。

这对遍及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，但从第二步驱动，视觉陈迹和笔墨推理的无缝联络不时就会断掉。

这项商议通过构建一套系统性的测评器具，让这个问题变得可测量、可跟踪、可雠校。某种意旨上，它作念的事情便是给AI搜索才能的流弊画了一张精准的舆图，让后续的商议者知说念应该把力气花在何处。至于AI什么本领能信得过作念到像东说念主相同畅通地在视觉和笔墨之间走动穿行，这说念题的谜底还需要时分来揭晓。数据集和评测代码还是开源，任何有兴味的商议团队齐可以在此基础上赓续探索。

---

Q&A

Q1：InterLV-Search测试基准和遍及的多模态搜索测试有什么本色区别？

A：遍及的多模态搜索测试每每只宽恕两种模式：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，用那张图复兴一个局部视觉问题。InterLV-Search的本色区别在于，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齐要成为"下一步该搜什么"的依据，而不是搜索链条的特地。浅易说，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"的反复轮换模式。

Q2：为什么开源搜索专用模子加上器具反而发达变差？

A：这是因为这些开源模子是针对笔墨搜索任务零散教师的，它们的搜索规划战略自然倾向于反复调用笔墨查询器具。迎面对需要在特定时机切换到图片搜索的轮换任务时，这些模子不知说念什么本领该住手笔墨搜索、转而发起视觉检索，于是器具调用变成了无效致使无益的行径，销耗了贵重的交互轮数却莫得找到要道的视觉左证。根底问题不是器具自己有毛病，而是模子清寒"什么本领该看图、什么本领该搜笔墨"的判断才能。

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同期珍爱多条平行推理链，分别沿每条链征集左证，再根据比拟终结采用其中一条赓续深化。这对AI的搜索景况管束建议了远超单链题的要求——它必须记取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终结之间作念出有依据的比拟选拔。实验数据显现银河国际游戏平台app，整个测试模子在多分支题上的准确率齐权贵低于单链题，说明当搜索旅途不再是一条直线时，现时AI系统的多任务融合才能彰着不及。