智东西

作者 | 李水青

编辑 | 云鹏

智东西 8 月 15 日消息，今日晚间，阿里宣布推出首个开源多模态深度研究智能体（Deep Research Agent）—— WebWatcher。

市面上的深度研究工具层出不穷，但大多只能围绕文字进行搜索。WebWatcher 的核心创新点在于配备了增强的视觉语言推理能力，能够图文结合思考并调用多种工具，从而使研究结果更深入。

比如，当用户要分析一张图片里的信息，WebWatcher 能调用 " 图片搜索 " 找相关图和说明，用 "OCR" 提取图片里的文字，用 " 文字搜索 " 查背景知识，用 " 网页访问 " 看具体网页内容，用 " 代码工具 " 算数据等。

WebWatcher 运行案例

实验结果表明，WebWatcher 在四个具有挑战性的 VQA（视觉问答）基准测试中全面领先于主流的开闭源多模态大模型：

其在 Humanity ’ s Last Exam（HLE）-VL（复杂推理）、BrowseComp-VL（信息检索）、LiveVQA（知识整合）和 MMSearch（聚合类信息寻优）等任务测试中均获得高分，超越 GPT-4o、Gemini2.5-flash、Qwen2.5-VL-72B、Claude 3.7 等模型。

WebWatcher 测评成绩

WebWatcher 的技术方案覆盖了从数据构建到训练优化的完整链路，核心目标是让多模态 Agent 在高难度多模态深度研究任务中具备灵活推理和多工具协作能力。整个方法包含三大环节：

1、多模态高难度数据生成：构建具备复杂推理链和信息模糊化的训练数据；

2、高质量推理轨迹构建与后训练：生成贴近真实多工具交互的推理轨迹，并通过监督微调（SFT）完成初步能力对齐。然后利用 GRPO 在复杂任务环境中进一步提升模型的决策能力与泛化性；

3、高难度基准评测：构建并使用 BrowseComp-VL 对模型的多模态深度推理能力进行验证。

为了更好地评估 WebWatcher 的能力，阿里提出了 BrowseComp-VL，它是 BrowseComp 在视觉 - 语言任务上的扩展版本，设计目标是逼近人类专家的跨模态研究任务难度。

GitHub 地址：

https://github.com/Alibaba-NLP/WebAgent

论文地址 ：

https://arxiv.org/abs/2508.05748

论文页面截图

结语：突破视觉语言，向深度搜索 Agent 迈进

自 2025 年 1 月推出 WebWalker 多 Agent 框架之后，阿里在过去近八个月里加速迭代，陆续推出了原生 Agent 搜索模型 WebDancer、可执行极复杂信息搜索的 Agent 搜索模型 WebSailor、面向信息检索 Agent 的数据合成方法 WebShaper，向通用搜索 Agent 不断迈进。

本次，阿里最新推出的多模态深度研究智能体 WebWatcher，进一步突破视觉语言深度研究 Agent 的新前沿，其构建的 BrowseComp-VL 基准、自动化轨迹生成与训练流程，为解决复杂多模态信息检索任务奠定基础，也为未来多模态深度研究 Agent 发展提供方向。