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和谐开展的究诘，以预印本花样发布于2026年5月，论文编号为arXiv:2605.07510，有兴趣深远了解的读者可通过该编号查询完满论文。

**一个被冷漠的真实场景**

假定你正在为一篇旅游攻略寻找信息。你看到一张相片，内部有一座独到的多塔尖建筑，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，临了还想望望那座姐妹城市的某个地标性建筑长什么样。这通盘经过，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色。

可是，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动作"发问的开始"，要么只会把找到的图片动作"恢复的至极"，从来不会把半途找到的图片动作"下一步该搜什么"的陈迹。这就像一个侦察，他能看懂第一张现场相片，也能在临了亮出破案图片，但中间的侦查经过却全部靠猜，从不主动拿着陈迹去追查下一条陈迹。

这项和谐究诘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，专门评估AI系统能否像果然的侦察相似，让视觉笔据在通盘搜索经过中握续阐述"诱骗下一步"的作用，而非只是充任开始或收尾的讳饰。

**一、现存AI搜索系统的"至极陷坑"**

门径悟这项究诘搞定的问题，需要先弄明晰现存系统卡在那儿。

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用笔墨去网上查府上，临了给出笔墨谜底。通盘经过中，图片的脚色只是触发搜索的首先，之后便退场了。这类系统搞定的问题其实是"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，笔墨是至极线。

其后，究诘者们意志到这还不够，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恢复问题。这如故是很大的逾越了，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，那张图的职责就已毕了。找到一张图，看一眼颜料随机数一数东说念主数，然后给出谜底——图片永恒是"临了一步"，是问卷上临了全部填空题，而不是引出下全部题的陈迹。

现实中的信息搜索赶巧不是这么的。更常见的情况是：你找到一张图，从这张图里阔别出一个东说念主、一个场所或一个标记，然后这个知道驱散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至极，而是一个又一个的"中转站"。

这种"中转站"式的视觉笔据使用模样，在已有的扫数基准测试中齐付之阙如。InterLV-Search的诞生，恰是为了专门测量AI在这个维度上的智力。

**二、InterLV-Search：用三关卡瞎想模拟真实侦查**

通盘基准被瞎想成三个难度递进的关卡，每一关齐对应侦察破案经过中的一个具体智力。

第一关叫作念"主动视觉笔据获取"。在这一关里，每说念题的问题是用纯笔墨刻画的，但恢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？"要恢复这个问题，AI必须先根据笔墨刻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，临了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"——这是一个必须果然看到图才能知说念的视觉细节。这一关考验的是AI能否从笔墨需求启航，主动把视觉笔据找纪念。

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"的轮流经过才能取得。究诘团队使用的是一个受控的离线数据库，幸免真实相聚的不屈稳性过问评测驱散。比如题目会说："从那座以广博湖面、小亭画舫和当代高楼共同组成标志性景不雅的城市启航，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），再搜笔墨阐述南亚齐市（孟买），临了再搜图不雅察那栋建筑的圆顶颜料。通盘经过，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"通达相聚轮流多模态搜索"。这一关和第二关考验的智力骨子有计划，但环境换成了真实的通达相聚。真实相聚意味着搜索驱散不屈稳、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，难度当然大幅升迁。此外，第三关还引入了一种迥殊的"多分支"题型：题目不惟有一条推理链，okooo澳客APP2026世界杯中国官网而是同期开启多条平行陈迹，AI必须把每条陈迹齐跑一遍，收罗并比拟各条领略上的信息，然后根据比拟驱散遴荐链接深远哪条线。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，再顺着这部电影的相关信息链接往下查。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，然后根据笔据作念出遴荐。

**三、数据是奈何制造出来的**

制造一个能测试上述智力的数据集，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的维基百科多模态学问图谱，内部包含约莫一万五千个实体，每个实体齐有图片、笔墨刻画和学问图谱关系。究诘团队用全自动的AI活水线来生成题目：先让一个大谈话模子为某个实体构造一个"不看图就无法恢复的视觉细节问题"，再让它构造一个"不屈直点名该实体的模糊笔墨刻画"，临了把这两部分当然地拼合周密部完满的题目。生成之后还有严格的过滤花样，专门剔除那些谜底可以从笔墨刻画里平直猜出来、随机题目里如故不留神走漏了实体称号的"舞弊题"。第二关在此基础上进一步引入了学问图谱的多跳旅途，让题目中的推理链横跨多个实体，并在其中某个节点插入"必须看图才能链接"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智力的雄壮AI模子（GPT-5.4-Thinking）先行生成题目草稿，包括题目自己、参考谜底和完满的搜索推理链。然后由博士级别的东说念主类标注者审阅每全部题，查验推理链是否真实实在、视觉中转站是否富饶重要、谜底来源是否平稳可查。如若发现问题，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，如斯轮回直到质地达标。最终还要用多个强AI模子在不联网的情况下尝试平直恢复这些题，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%）。题目遮蔽文娱、名东说念主、场所、组织机构、地舆标志、科技、旅游、艺术等多个限度，确保测试驱散不会因为限度单一而失去代表性。

**四、测试器具：InterLV-Agent**

为了让不同的AI系统在有计划条款下摄取测评，究诘团队还开采了一套叫作念InterLV-Agent的圭臬化评测框架。这个框架的处事模样可以判辨为给每个参赛AI配备了一套圭臬器具箱，器具箱里包括笔墨相聚搜索、图片搜索（用笔墨刻画找图）、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）、图片剪辑和代码推论。对于第一关和第二关，器具箱里还有一套离线腹地检索器具，专门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。

除了器具以外，框架还为每个AI配备了一套轻量级的"两层系念"系统。短期系念平直保存最近几轮的器具调用和复返驱散，而耐久系念则是一个不断更新的苟简摘抄，记载已知的重要实体、视觉陈迹梵衲未搞定的子盘算。这套系念系统的瞎想初志是让AI在漫长的多跳搜索经过中不至于"健无私方在找什么"——就像侦察随身佩戴的案件条记本，诚然不会记载每一个细节，但总能教导我方案件的中枢陈迹和面前进展。

每说念题的交互轮数也有明确为止：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、一次或屡次器具调用和对应的驱散不雅察。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，开云体育只消语义等价就判为正确。

**五、实验驱散：莫得哪个AI系统发扬令东说念主舒心**

究诘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），扫数模子齐在有计划的InterLV-Agent框架下运行。

最中枢的发现是：即使是发扬最好的模子，举座准确率也莫得杰出50%。发扬最好的Gemini-3.1-Pro在三关共计的器具补助下达到了46.05%（第一关）、41.33%（第二关）和46.46%（第三关）的获利，但距离"搞定了这个问题"还有荒谬长的距离。

不使用任何器具、纯靠模子已有学问平直作答的情况下，扫数模子在第三关的发扬齐目不忍视，最好的也唯有20%控制，充分评释了这批题目如实不成靠死记硬背蒙混过关，必须果然去搜索才行。

使用器具之后，买卖模子的发扬均有暴露升迁，尤其是在第二关和第三关，升迁幅度可达10到30个百分点。这说明器具如实有效，但不同模子使用器具的后果各别很大，反应出各镇静搜索规画、视觉定位和多模态笔据整合上的智力上下不同。

开源搜索专用模子的情况则令东说念主不测：加上器具之后，它们的发扬不仅莫得显贵升迁，有的致使比无须器具时还要差。这揭示出一个紧迫现实——为笔墨搜索专门优化的开源模子，在面对需要反复切换视觉和笔墨的轮流搜索任务时，反而因为乱用器具而走了弯路，搜索规画智力的缺失比器具自己的为止更致命。

多分支题型和单链题型之间的差距也荒谬显贵。在第三关，扫数模子在单链题上的准确率齐暴露高于多分支题，说明当搜索旅途不再是一条直线、而是需要同期贯注多条平行陈迹时，面前AI系统的协调智力暴露不及。

**六、深远剖解：问题究竟出在那儿**

为了更清雅地定位失败原因，究诘团队对第一关和第二关的驱散作念了进一步拆解分析。他们辩别了两种情况：AI最终找到了正确的盘算图片，以及AI莫得找到正确的盘算图片，然后分别统计这两种情况下最终答题的正确率。

驱散相当清亮。当AI收效找到了盘算图片时，最终答对的概率大幅升迁——Gemini在第一关找到盘算图时的答对率高达59.51%，在第二关更是达到73.75%。而莫得找到盘算图时，答对率唯有23%到34%控制。这意味着：只消能找到正确的图，AI其实荒谬擅长从图片里读出正确谜底；果然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，盘算图片检索调回率唯有35%控制，这才是通盘系统最薄弱的花样。

器具使用民俗的分析也揭示了风趣的规章。在第二关（离线环境）里，AI的器具调用被图片相关操作东导——Gemini有68.3%的器具调用齐是图片搜索类操作，这与第二关的瞎想意图高度吻合，说明模子如实判辨了这说念题需要找图。而在第三关（通达相聚），笔墨相聚搜索占据了大头（60%以上），图片操作的比例有所下跌但仍占17%控制，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玄虚的一环。

究诘团队还专门分析了AI的推行推论旅途，查验那些搜索轨迹中是否果然出现了"用视觉笔据诱骗下一步搜索"的行动。在第二关，Gemini有88.9%的推论旅途包含了视觉中转站，Claude达到80%，GPT-5.4也有74.9%。这评释InterLV-Search如实收效地测到了它想测的智力，而不单是是在考验鄙俚的笔墨搜索妙技。

去掉图片搜索器具之后会发生什么？在第二关，去掉图片搜索的驱散接近致使低于系数无须器具平直恢复的水平，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，因为真实相聚提供了更丰富的笔墨陈迹作为补充，但依然变成了一致性的获利下滑。系念系统的紧迫性在第三关体现得比第二关更暴露，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"来守护搜索景色的连贯性。

**七、从失败案例中看懂中枢贫乏**

论文临了提供的收效与失败案例，把上述发现讲得愈加具体灵活。

一个收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，比拟它们的时长，保留时长居中的那部，然后链接深远那部电影的盘算图，恢复盘算图里某个当然欢乐的问题。AI的处理经过是先对三个视觉刻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），比拟之后采纳中间值79分钟对应的Krakatoa，临了回到图片搜索找到Krakatoa的盘算图，通过视觉不雅察恢复"标题笔墨背面起飞的是什么当然欢乐"——谜底是火山喷发。这个收效案例的重要在于，AI在通盘经过中握续地把图片和笔墨轮流使用，况兼每一次切换齐有明确的方针和依据。

一个典型的失败案例则违反：题目要求AI分别找到Tate好意思术馆的毕加索相关页面和柏林电影节的新泻相关页面，从这两个页面启航投入各自的"腹地标记系统"，比拟两者的数目，沿着数目较小的那条陈迹链接，最终恢复对应旌旗边框左半部分是什么颜料。AI作念了多数的笔墨搜索，也收效找到了两个页面，但它从来莫得果然把这两个页面与各自对应的腹地标记系统（马拉加的徽章和新泻的官方标记系统）建立视觉聚拢，更莫得去统计和比拟数目。到临了，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勤苦，而是它把图片搜索当成了可选项，没专诚志到视觉笔据在这说念题里是不可绕过的必经花样。

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，重要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，再查阿谁州的官方旌旗，临了恢复旌旗上对角条带的颜料（谜底是白色）。但AI系数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浅显的重要词，最终答了"红色"——它把旌旗举座的红色布景和那条对角白色条带沾污了。问题出在当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天下里打转。

**说到底，这项究诘告诉咱们什么**

归根结底，InterLV-Search揭示了一个当今扫数AI搜索系统齐靠近的共同逆境：它们在使用视觉笔据时，要么只会用图作为首先，要么只会用图作为至极，果然能把图片动作搜索链条中反复出现的"路标"的系统，当今还简直不存在。

最好的买卖模子在这套测试中的举座准确率不到50%，这个数字说明面前的AI离"像东说念主相似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发扬致使更令东说念主担忧——它们在加上器具之后反而可能发扬更差，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、会不会在得当的时机切换到视觉搜索模式。

这对鄙俚东说念见解味着什么？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，但从第二步启动，视觉陈迹和笔墨推理的无缝衔尾时时就会断掉。

这项究诘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、可鼎新。某种真谛上，它作念的事情便是给AI搜索智力的弊端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儿。至于AI什么时候能果然作念到像东说念主相似通达地在视觉和笔墨之间来去穿行，这说念题的谜底还需要技艺来揭晓。数据集和评测代码如故开源，任何有兴趣的究诘团队齐可以在此基础上链接探索。

---

Q&A

Q1：InterLV-Search测试基准和鄙俚的多模态搜索测试有什么骨子区别？

A：鄙俚的多模态搜索测试频频只眷注两种模式：要么把图片作为问题的首先，然后靠笔墨搜索得出谜底；要么要求AI主动找到某张图，用那张图恢复一个局部视觉问题。InterLV-Search的骨子区别在于，它要求图片在通盘搜索经过中反复出现，每一张半途找到的图齐要成为"下一步该搜什么"的依据，而不是搜索链条的至极。简约说，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"的反复轮流模式。

Q2：为什么开源搜索专用模子加上器具反而发扬变差？

A：这是因为这些开源模子是针对笔墨搜索任务专门熟练的，它们的搜索规画计谋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，于是器具调用变成了无效致使无益的行动，滥用了顾惜的交互轮数却莫得找到重要的视觉笔据。根底问题不是器具自己有谬误，而是模子玄虚"什么时候该看图、什么时候该搜笔墨"的判断智力。

Q3：InterLV-Search的多分支题型在测试中体现了什么迥殊难点？

A：多分支题型要求AI同期贯注多条平行推理链开云体育(中国)官方网站，分别沿每条链征集笔据，再根据比拟驱散采纳其中一条链接深远。这对AI的搜索景色料理提议了远超单链题的要求——它必须记取我耿介在同期跑几条线、每条线上如故找到了什么、哪条线还缺什么信息，最终还要在多条线的驱散之间作念出有依据的比拟遴荐。实验数据自满，扫数测试模子在多分支题上的准确率齐显贵低于单链题，说明当搜索旅途不再是一条直线时，面前AI系统的多任务协调智力暴露不及。