智東西（公眾號：zhidxcom）
作者 | 李水青
編輯 | 云鵬
智(zhi)東(dong)西(xi)8月15日消息(xi)，今日晚間，阿(a)里宣布推出首個開源多(duo)模態深度(du)研究(jiu)智(zhi)能(neng)體（Deep Research Agent）——WebWatcher。
市(shi)面上的(de)深(shen)度研究(jiu)工具(ju)層出不(bu)窮，但(dan)大多只能(neng)(neng)圍繞(rao)文字進(jin)行(xing)搜索。WebWatcher的(de)核心創新點在于配備了增(zeng)強的(de)視覺語言推理能(neng)(neng)力，能(neng)(neng)夠(gou)圖文結合思考并調用(yong)多種工具(ju)，從(cong)而使研究(jiu)結果(guo)更深(shen)入。
比如，當用(yong)(yong)(yong)(yong)戶(hu)要分析一張圖(tu)片里的信息，WebWatcher能調用(yong)(yong)(yong)(yong) “圖(tu)片搜索(suo)” 找相關圖(tu)和說明，用(yong)(yong)(yong)(yong) “OCR” 提取圖(tu)片里的文字(zi)，用(yong)(yong)(yong)(yong) “文字(zi)搜索(suo)” 查背(bei)景知識，用(yong)(yong)(yong)(yong) “網(wang)頁(ye)訪問” 看具(ju)體網(wang)頁(ye)內容，用(yong)(yong)(yong)(yong) “代碼工具(ju)” 算數據等。
▲WebWatcher運行案例
實驗(yan)結果(guo)表明，WebWatcher在四個具(ju)有挑戰(zhan)性(xing)的(de)VQA（視覺問(wen)答）基準(zhun)測試中全(quan)面領先于主流的(de)開(kai)閉源多模態大(da)模型：
其(qi)在Humanity’s Last Exam（HLE）-VL（復雜推理(li)）、BrowseComp-VL（信(xin)息檢索）、LiveVQA（知識(shi)整合）和MMSearch（聚(ju)合類信(xin)息尋優）等任務測(ce)試中均獲得高分，超越GPT-4o、Gemini2.5-flash、Qwen2.5-VL-72B、Claude 3.7等模型。
▲WebWatcher測評成績
WebWatcher的(de)技術方案覆蓋了從數據構建到訓練優化的(de)完整鏈路，核心目標是(shi)讓多模態Agent在高(gao)難(nan)度(du)多模態深度(du)研究任務中具備靈活推理和多工具協(xie)作能力。整個方法包(bao)含三(san)大環節：
1、多(duo)模態高難度數據生成：構建具備(bei)復雜推理鏈和信息模糊化的訓練數據；
2、高質量推理軌(gui)跡構建(jian)與后訓練：生成貼(tie)近真實多工具交(jiao)互的(de)推理軌(gui)跡，并(bing)通過監督微調（SFT）完成初步能力對齊。然(ran)后利用GRPO在復雜任務環境(jing)中進(jin)一步提升模型的(de)決策能力與泛化(hua)性；
3、高難度基準評測：構建并使用BrowseComp-VL對模型的多模態深(shen)度推理能力進行驗證。
為了(le)更好地評估WebWatcher的(de)(de)能力，阿里提(ti)出了(le)BrowseComp-VL，它(ta)是(shi)BrowseComp在(zai)視(shi)覺-語(yu)言任(ren)務(wu)上(shang)的(de)(de)擴展版本，設計目標是(shi)逼近人(ren)類專家的(de)(de)跨模(mo)態研究(jiu)任(ren)務(wu)難度。
GitHub地址：
//github.com/Alibaba-NLP/WebAgent
論文地址 ：
//arxiv.org/abs/2508.05748
▲論文頁面截圖
結語：突破視覺語言，向深度搜索Agent邁進
自2025年(nian)1月推(tui)出WebWalker多Agent框(kuang)架之后(hou)，阿里(li)(li)在過(guo)去近八(ba)個月里(li)(li)加速(su)迭代(dai)，陸(lu)續推(tui)出了(le)原生Agent搜索(suo)模型WebDancer、可執行極(ji)復雜信(xin)息搜索(suo)的Agent搜索(suo)模型WebSailor、面向信(xin)息檢索(suo)Agent的數據合成方法(fa)WebShaper，向通用(yong)搜索(suo)Agent不斷邁進。
本次，阿里最新(xin)(xin)推出的多模態(tai)深(shen)度研究智能體(ti)WebWatcher，進一步突破(po)視(shi)覺語言(yan)深(shen)度研究Agent的新(xin)(xin)前(qian)沿，其構建的BrowseComp-VL基準、自動化軌跡(ji)生成與訓練(lian)流程，為解決復(fu)雜多模態(tai)信息檢(jian)索(suo)任務(wu)奠定基礎，也為未(wei)來多模態(tai)深(shen)度研究Agent發(fa)展提供方向。
