WebWatcher：开拓视觉-语言深度研究Agent的新疆界

诸如 Deep Research 的网络代理已展现出超越人类的认知能力，能够解决极具挑战性的信息检索任务。然而，当前大多数研究仍以文本为中心，忽视了现实世界中的视觉信息，这使得多模态 Deep Research 面临巨大挑战——此类代理不仅需要更强的感知、逻辑、知识推理能力，还需使用更复杂的工具，远超纯文本代理的能力要求。为克服这一局限，我们提出 WebWatcher，一种具备增强型视觉-语言推理能力的多模态 Deep Research 代理。该代理通过高质量的合成多模态轨迹实现高效的冷启动训练，结合多种工具进行深度推理，并借助强化学习进一步提升泛化能力。为更全面评估多模态代理的性能，我们提出了 BrowseComp-VL 基准，其设计灵感源自 BrowseComp，要求在信息检索任务中同时处理视觉与文本信息，具备高度复杂性。实验结果表明，WebWatcher 在四项具有挑战性的视觉问答（VQA）基准测试中，显著优于现有商业基线模型、RAG 工作流以及开源代理，为解决复杂的多模态信息检索任务开辟了新路径。