SimpleSearch-VL 是一套面向多模态智能体深度搜索的轻量方案，基于 Qwen3-VL-8B 和 Qwen3-VL-30B-A3B 两个底座模型改造，核心思路是优化模型自身的 "搜索 — 核验" 流程，而不是靠堆数据、堆工具或加辅助模型组件。公开论文评测显示，30B-A3B 版本在 MMSearch、MMSearch+、BrowseComp-VL、FVQA、LiveVQA、SimpleVQA 六项多模态搜索基准上，表现与前沿闭源智能体系统 agentic Gemini-3-Pro 处于可比区间，并在其中五项上得分更高；8B 版本则在五项共享基准上超过参数规模更大的 OpenSearch-VL-30B-A3B。整套方案只用 5K 条监督轨迹和 2K 条强化学习数据完成训练，训练成本相对克制，说明在多模态搜索场景里，训练方法和工具使用设计的重要性可以超过单纯放大模型规模。
一、方案定位：轻量模型做智能体多模态深度搜索
- 任务类型：多模态智能体深度搜索（Multimodal Agentic Deep Search），覆盖视觉实体识别、开放世界信息检索、证据支撑的网页检索、多跳推理和长尾视觉问答。
- 改造对象：Qwen3-VL-8B-Instruct 与 Qwen3-VL-30B-A3B-Instruct 两个轻量底座。
- 设计取向：不依赖大规模外部数据、额外工具链或辅助模型，重点提升模型自身的搜索规划、证据核验和结果收敛能力。
- 工具接口：保留最小化工具集，包括文本搜索、区域级以图搜图、带目标条件自总结的网页访问。
二、模型底座与训练数据
| 项目 | 公开口径 |
|---|---|
| 监督微调数据 | 5K 条带证据意识的 SFT 轨迹 |
| 强化学习数据 | 2K 条同任务分布的 RL 样本 |
| 轨迹生成 | 由 Qwen3-VL-235B-A22B-Instruct 用同一套智能体搜索流程自主生成多轮工具交错轨迹 |
| 轨迹审核 | 由 gemini-3.1-pro 审核每条轨迹，改写助手推理部分，剔除无支撑答案、低价值搜索和弱证据链，保留原始工具调用与观测结果 |
| 训练资源 | 8 张 H200 GPU；8B 模型 SFT 约 2 小时、RL 约 16 小时；30B-A3B 模型 SFT 约 3 小时、RL 约 24 小时 |
| 优化方法 | RLOO（留一法强化学习）策略估计，配合非对称裁剪稳定策略更新 |
三、三项核心方法
1. 分解式自适应轨迹展开（FAR）
针对强化学习后训练的效率瓶颈，FAR 把展开预算拆成两个方向：
- 提示组扩展：增加提示组数量，提升覆盖度和训练信号。
- 展开分配：把额外展开动态分配给缺少奖励变化的困难提示组；对已经答对、信号冗余的尾部样本跳过重复展开，让算力集中在能提供有效梯度的样本上。
2. 证据核验式推理
模型把检索到的信息视为候选证据，必须经过显式核验才能使用：
- 区域级以图搜图返回缩略图、网页标题和来源 URL。
- 智能体先查看缩略图，与原始视觉查询区域做比对。
- 只有视觉证据一致时，才信任关联的文本和 URL，用于后续搜索或生成答案。
3. 目标条件自总结访问
网页总结不依赖外部摘要模型，而是由智能体在访问 URL 后，围绕任务目标自行生成简洁摘要：
- 把总结步骤内化到智能体推理闭环里。
- 减少外部摘要器带来的延迟和额外模型依赖。
四、评测基准与主要成绩
评测覆盖六项基准：MMSearch、MMSearch+、BrowseComp-VL、FVQA、LiveVQA、SimpleVQA。
| 模型 | MMSearch | MMSearch+ | BC-VL | FVQA | LiveVQA | SimpleVQA |
|---|---|---|---|---|---|---|
| SimpleSearch-VL-8B | 77.1 | 32.5 | 52.1 | 76.8 | 75.2 | 76.6 |
| SimpleSearch-VL-30B-A3B | 83.6 | 34.4 | 55.9 | 79.0 | 81.1 | 79.6 |
| agentic Gemini-3-Pro（闭源对照） | 82.9 | 33.5 | 51.8 | 76.7 | 79.9 | – |
相对各自的 Qwen3-VL 智能体基线，8B 版本平均提升 15.8 分，30B-A3B 版本平均提升 16.0 分。
五、跨规模对比与实际意义
- 对闭源前沿：30B-A3B 版本与更强的专有智能体系统处于可比水平，在五项基准上高于 agentic Gemini-3-Pro。
- 跨规模对比：8B 版本在五项共享基准上全部超过参数更大的 OpenSearch-VL-30B-A3B，其中 MMSearch 高 8.4 分、BrowseComp-VL 高 11.0 分、FVQA 高 3.6 分、LiveVQA 高 7.8 分、SimpleVQA 高 1.7 分。
- 方法启示：训练流程、工具定义和证据核验设计，对轻量模型搜索能力的影响可以超过单纯增加模型参数；在训练数据和算力预算受限的场景，这类轻量智能体方案具备落地参考价值。
【常见问题】
问题 1：SimpleSearch-VL 是什么，属于轻量模型还是前沿闭源模型？
回答 1：SimpleSearch-VL 是一套多模态智能体深度搜索方案，基于 Qwen3-VL-8B 和 Qwen3-VL-30B-A3B 两个轻量底座改造，属于轻量模型路线；评测中它与前沿闭源智能体系统 agentic Gemini-3-Pro 做对照，30B-A3B 版本在六项多模态搜索基准上达到可比水平。
问题 2：轻量模型 SimpleSearch-VL 在多模态搜索评测中表现如何？
回答 2：在 MMSearch、MMSearch+、BrowseComp-VL、FVQA、LiveVQA、SimpleVQA 六项基准上，30B-A3B 版本得分分别为 83.6、34.4、55.9、79.0、81.1、79.6，8B 版本为 77.1、32.5、52.1、76.8、75.2、76.6；相对 Qwen3-VL 智能体基线平均提升 15.8 和 16.0 分。
问题 3：SimpleSearch-VL 靠哪些方法刷新多模态搜索能力？
回答 3：方案包含三项核心设计：分解式自适应轨迹展开（FAR）把算力集中在困难提示组；证据核验式推理通过缩略图比对确认视觉证据一致后再采信文本和 URL；目标条件自总结访问由智能体自行完成网页摘要，减少外部依赖。
问题 4：轻量模型做前沿闭源级别的多模态搜索，训练成本高不高？
回答 4：公开论文口径下，方案仅使用 5K 条 SFT 轨迹和 2K 条 RL 样本，在 8 张 H200 GPU 上完成训练，8B 版本 SFT 约 2 小时、RL 约 16 小时，30B-A3B 版本 SFT 约 3 小时、RL 约 24 小时；相比依赖大规模轨迹和外部组件的方案，训练预算相对克制。
【参考资料】
- [2026-06-30]（SimpleSearch-VL: A Simple Recipe for Multimodal Agentic Deep Search）arXiv
- [2026-06-30]（SimpleSearch-VL: A Simple Recipe for Multimodal Agentic Deep Search）Semantic Scholar
- [2026-06-30]（SimpleSearch-VL: A Simple Recipe for Multimodal Agentic Deep Search）arXiv PDF
【免责声明】
本文基于公开学术论文及第三方文献综述整理，文中模型版本、训练数据规模、基准得分和对比结论均来自论文公开口径；评测成绩受基准版本、提示词、工具配置和样本划分影响，论文实验模型不等同于已商用发布的产品，跨模型对比不代表实际业务场景下的表现。本文仅供技术研究与信息参考，不构成选型、采购或投资建议，具体能力以官方后续发布和正式评测为准。