北航 / 港中文 / 南洋理工 / 清华 / 合工大等 Hongyu Li、Manyuan Zhang、Si Liu 等提出 OneSearch-VL（arXiv:2610.12419）：在 Qwen3-VL-8B 上训练统一智能体，覆盖单图、多图与视频的多模态深度研究；核心是 Visually Grounded Evidence Graph（VGEG）与 Evidence-aware Visual-Grounded Rubric（EVGR）。论文称已开源：github.com/appletea233/OneSearch-VL。

要解决什么问题

单图、多图、视频深度研究的视觉操作不同，但都走「视觉定位 → 外部检索 → 事实组合」。难点是把局部视觉锚点、实体关系、带出处的事实与答题操作之间的依赖链保留下来，而不只给最终答案。作者用任务级 VGEG 作为数据构建、过程监督与按操作评测的共享参考。

方法要点




VGEG 数据引擎：视频源从约 2.5M 筛到约 70k 候选；抽取稠密视觉锚点、建网页实体图、生成并校验多图/视频题，再合成专家工具轨迹。汇编 OneSearch-VL-SFT-110K（约 36k/37k/35k 单图/多图/视频轨迹）与 OneSearch-VL-RL-10K（约 10k 任务）。EVGR 从 VGEG 标注派生，在强化学习里同时打「证据可追溯」与「视觉定位」分。工具含裁剪、OCR、图像/文本搜索；视频另有选时段与选帧。评测新基准 OneSearch-MI-Bench / OneSearch-Video-Bench（合计 608 题，其中组合操作 555 题、91.3%），按六类研究操作分组。

论文自报结果（部分引用注明出处）

相对带工具的 Qwen3-VL-8B：在 OneSearch-MI-Bench +20.2、OneSearch-Video-Bench +17.6、VideoDR +27.0（百分点）。单图七基准均值 58.3，相对 Qwen3-VL-8B Agent 42.0（+16.3），相对 OpenSearch-VL-8B 56.6（+1.7）。联合 SFT（I+M+V）六基准均值 55.8；完整 EVGR 强化学习把均值从 57.3 提到 61.1（论文自报）。

局限

依赖外部搜索与变动网页，可复现性受限；自动 VGEG 与模型裁判可能引入标注/评判偏差；多轮工具调用成本更高——论文 Limitations 已写明。

部分引用注明出处。来源：arXiv:2610.12419；Hongyu Li / Manyuan Zhang / Si Liu 等；BUAA / CUHK / NTU / THU / HFUT。

图1：OneSearch-VL（arXiv:2610.12419）VGEG 中心多模态数据引擎概览：视觉源筛选、稠密锚点、网页实体图、任务构建与专家轨迹合成。来源：论文 Fig.1。

图2：OneSearch-MI-Bench / OneSearch-Video-Bench 按六类研究操作组织；合计 608 题，组合操作约 91.3%。来源：论文 Fig.2。



图3：Evidence-aware Visual-Grounded Rubric（EVGR）奖励：证据可追溯与视觉定位双维度过程监督。来源：论文 Fig.3。