智東西
作者 李水青
編輯 云鵬

智東西8月15日消息，今日晚間，阿里宣布推出首個開源多模態深度研究智能體（Deep Research Agent）——WebWatcher。

市面上的深度研究工具層出不窮，但大多只能圍繞文字進行搜索。WebWatcher的核心創新點在于配備了增強的視覺語言推理能力，能夠圖文結合思考并調用多種工具，從而使研究結果更深入。

比如，當用戶要分析一張圖片里的信息，WebWatcher能調用 “圖片搜索” 找相關圖和說明，用 “OCR” 提取圖片里的文字，用 “文字搜索” 查背景知識，用 “網頁訪問” 看具體網頁內容，用 “代碼工具” 算數據等。

▲WebWatcher運行案例

實驗結果表明，WebWatcher在四個具有挑戰性的VQA（視覺問答）基準測試中全面領先于主流的開閉源多模態大模型：

其在Humanity’s Last Exam（HLE）-VL（復雜推理）、BrowseComp-VL（信息檢索）、LiveVQA（知識整合）和MMSearch（聚合類信息尋優）等任務測試中均獲得高分，超越GPT-4o、Gemini2.5-flash、Qwen2.5-VL-72B、Claude 3.7等模型。

▲WebWatcher測評成績

WebWatcher的技術方案覆蓋了從數據構建到訓練優化的完整鏈路，核心目標是讓多模態Agent在高難度多模態深度研究任務中具備靈活推理和多工具協作能力。整個方法包含三大環節：

1、多模態高難度數據生成：構建具備復雜推理鏈和信息模糊化的訓練數據；

2、高質量推理軌跡構建與后訓練：生成貼近真實多工具交互的推理軌跡，并通過監督微調（SFT）完成初步能力對齊。然后利用GRPO在復雜任務環境中進一步提升模型的決策能力與泛化性；

3、高難度基準評測：構建并使用BrowseComp-VL對模型的多模態深度推理能力進行驗證。

為了更好地評估WebWatcher的能力，阿里提出了BrowseComp-VL，它是BrowseComp在視覺-語言任務上的擴展版本，設計目標是逼近人類專家的跨模態研究任務難度。

GitHub地址：
https://github.com/Alibaba-NLP/WebAgent
論文地址 ：
https://arxiv.org/abs/2508.05748

▲論文頁面截圖

結語：突破視覺語言，向深度搜索Agent邁進

自2025年1月推出WebWalker多Agent框架之后，阿里在過去近八個月里加速迭代，陸續推出了原生Agent搜索模型WebDancer、可執行極復雜信息搜索的Agent搜索模型WebSailor、面向信息檢索Agent的數據合成方法WebShaper，向通用搜索Agent不斷邁進。

本次，阿里最新推出的多模態深度研究智能體WebWatcher，進一步突破視覺語言深度研究Agent的新前沿，其構建的BrowseComp-VL基準、自動化軌跡生成與訓練流程，為解決復雜多模態信息檢索任務奠定基礎，也為未來多模態深度研究Agent發展提供方向。