知识卡片：OneSearch-VL——面向图像与视频的统一多模态深度研究智能体

一句话结论

OneSearch-VL 提出以“视觉锚定证据图（VGEG）”为核心统一单图、多图与视频深度研究，将视觉定位、外部检索与事实组合的依赖关系显式建模，并用于数据构造、过程监督与操作级评测，其 8B 模型在两个新建基准上较带工具访问的 Qwen3-VL-8B 分别提升 20.2 与 17.6 个百分点。

事件概述或研究问题

• 单图、多图与视频的深度研究需要不同的视觉操作，但共享“视觉定位 → 外部检索 → 事实组合”的工作流。
• 核心挑战：如何保留“局部视觉锚点、实体关系、来源支撑事实、产答操作”之间相互依赖的链条。
• 论文提出的解决方案是一个以 Visually Grounded Evidence Graph (VGEG) 为中心的统一智能体 OneSearch-VL。

方法/产品要点

• 核心表示 VGEG：将上述依赖编码为任务级共享参照，同时服务于数据构造、过程监督与操作级评测三方面。
• 数据引擎：基于 VGEG 构造并验证多图与视频问题，并对专家轨迹进行筛选。
• 训练数据：组装 OneSearch-VL-SFT-110K（SFT）与 OneSearch-VL-RL-10K（RL）。
• 奖励设计：从 VGEG 标注中导出 Evidence-aware Visual-Grounded Rubric reward (EVGR)，在 RL 阶段监督证据可追溯性与视觉定位。
• 评测基准：构建 OneSearch-MI-Bench 与 OneSearch-Video-Bench，按问题 VGEG 中编码的研究操作进行组织。

主要结果或产业意义

• OneSearch-VL-8B 相比带工具访问的 Qwen3-VL-8B：
  • OneSearch-MI-Bench 提升 20.2 个百分点；
  • OneSearch-Video-Bench 提升 17.6 个百分点。
• 在 7 个图像基准与 VideoDR 上也取得显著提升。
• 给出了项目仓库：https://github.com/appletea233/OneSearch-VL

为什么重要

• 将“证据依赖链”显式建模为图结构，可能比端到端奖励更利于多模态深度研究中的可追溯性与过程监督。
• 统一框架覆盖单图/多图/视频三类任务，减少了按模态分别设计智能体的重复工作。
• 与既有 WebSwarm（递归多智能体编排的深度搜索）等脉络相关，但侧重多模态视觉锚定与证据图而非纯文本搜索编排，属于该方向在多模态维度的延续与更新。

局限与不确定性

• 摘要未给出具体消融实验细节，VGEG 各组成部分的贡献待核实。
• 训练数据规模（110K/10K）与质量筛选标准的具体细节待核实。
• 两个新基准的题目规模、标注一致性、与人类评测的相关性待核实。
• 项目仓库的代码与数据开放程度、可复现性待核实。
• arXiv ID 为 2610.12419v1、发布日期为 2026-10-08，具体版本与后续更新情况待核实。

可用于图书/PPT/简报的角度

• “证据图作为多模态深度研究的共享任务表示”这一设计范式。
• 从数据构造、过程监督到操作级评测的统一框架如何减少模态间重复工程。
• 与纯文本搜索智能体（如 WebSwarm）的对比：多模态视觉锚定带来的新挑战。
• 奖励设计（EVGR）在 RL 中如何约束证据可追溯性。
• 用“提升 20.2/17.6 个百分点”作为多模态深度研究进展的量化锚点。

与既有脉络的关系

• 与“WebSwarm：基于递归多智能体编排的深度与广度网络搜索”相比，本条将深度研究从文本搜索扩展到多模态视觉锚定场景，并强调证据依赖的显式图表示。
• 与“知识引导的多模态推理用于视频级别的矛盾与犹豫识别”相比，本条不聚焦特定视频行为识别，而是面向可验证的多模态深度研究流程与评测基准，属于不同任务面向的补充。

原始材料

• 标题：OneSearch-VL: Unified Multimodal Deep Research Agent for Image and Video
• arXiv ID：2610.12419v1
• 分类：cs.CV
• 作者：Hongyu Li, Manyuan Zhang, Kaituo Feng, Shu Chen, Dian Zheng, Hao Li, Hao Yu, Zhangquan Chen, Zoey Guo, Ray Zhang, Shaofei Huang, Tianrui Hui, Linjiang Huang, Si Liu
• 发布日期：2026-10-08T17:52:46Z
• Abstract URL：https://arxiv.org/abs/2610.12419v1
• PDF URL：https://arxiv.org/pdf/2610.12419v1
• 项目仓库：https://github.com/appletea233/OneSearch-VL
• 关键词：Multimodal Deep Research, Visually Grounded Evidence Graph, VGEG, EVGR, SFT, RL, OneSearch-MI-Bench, OneSearch-Video-Bench, VideoDR