📖标题：MM-DeepResearch: A Simple and Effective Multimodal Agentic Search Baseline 🌐来源：arXiv, 2603.01050v1
🌟摘要
我们的目标是开发一种能够进行显式推理和规划、多工具调用和跨模态信息合成的多模态研究代理，使其能够进行深入的研究任务。然而，我们观察到开发此类代理的三个主要挑战：（1）搜索密集型多模态QA数据稀缺，（2）缺乏有效的搜索轨迹，以及（3）使用在线搜索API进行培训的成本过高。为了解决这些问题，我们首先提出了超搜索，这是一种基于超图的QA生成方法，可以建模和连接模态内和跨模态的视觉和文本节点，从而生成需要调用各种搜索工具来解决的搜索密集型多模态QA对。 其次，我们引入DR-TTS，它首先根据搜索工具类型将涉及搜索的任务分解为几个类别，并分别针对每个工具优化专门的搜索工具专家。然后，它重新组合工具专家，通过树搜索共同探索搜索轨迹，产生使用各种搜索工具成功解决复杂任务的轨迹。第三，我们构建了一个支持多种搜索工具的离线搜索引擎，无需使用昂贵的在线搜索API即可实现代理强化学习。通过这三种设计，我们开发了强大的多模态深度研究代理MM-DeepResearch，广泛的结果显示了它在基准测试中的优势。代码可在https://github.com/HJYao00/MM-DeepResearch获得
🛎️文章简介
🔸研究问题：如何构建一个能进行显式推理、多工具调用与跨模态信息融合的多模态深度研究智能体？ 🔸主要贡献：论文提出MM-DeepResearch框架，通过超图驱动的数据生成（Hyper-Search）、分解-重组式工具树搜索（DR-TTS）和离线多模态搜索引擎三大技术，低成本高效训练出高性能多模态研究代理。
📝重点思路
🔸提出Hyper-Search方法，以超图建模图文节点及其跨模态关系，通过节点扩展与超边连接，自动生成需多轮、多类型搜索工具才能解答的高质量多模态QA对。 🔸设计DR-TTS机制，先按搜索工具类型分解任务并分别训练专用工具专家，再通过树搜索联合探索工具组合路径，合成高成功率、高多样性的搜索轨迹用于监督微调。 🔸构建支持信息型（文本/图像检索）与知识型（模型查询）双模式的离线搜索引擎，替代昂贵在线API，实现零成本、低延迟的强化学习训练。
🔎分析总结
🔸Hyper-Search生成的数据显著提升搜索深度（平均工具调用达2.3次），相比图结构基线性能提升3.0分，验证其对多步搜索能力的有效激发。 🔸DR-TTS合成的轨迹使SFT阶段性能跃升15.0分（MMSearch），结合RL后进一步提升至67.8分，证明分解-重组策略可缓解工具使用偏差并增强探索质量。 🔸离线引擎在MMSearch上达62.7分（在线为67.8分），训练成本降为0美元/百步（在线约640美元），响应速度提升60倍，证实其作为训练基础设施的可行性与高效性。 🔸消融实验表明，信息型与知识型搜索工具协同作用明显，仅启用T2T/T2I/I2T时得分66.9，加入知识型T2T后达67.8，凸显跨模态信息互补价值。
💡个人观点
论文将超图引入多模态搜索数据构造，提出“先分解再重组”范式结合离线搜索引擎。
🧩附录
