现存的开源多模态搜索智能体大量受困于「剪辑 - 再搜索」的串行处理款式，面临多策画时时常堕入交互冗长、缺陷级联蓄积的泥沼。

为此，小红书接头团队建议了一款全新架构的模子：HyperEyes。通过调处定位与搜索的动作空间、构建并行可学习数据以及双粒度成果感知强化学习的全栈瞎想，HyperEyes 得胜完结了从「搜得更深」到「搜得更宽」的并行多模态搜索范式跃迁。

论文地址：https://arxiv.org/abs/2605.07177

代码地址：https://github.com/DeepExperience/HyperEyes

布景：多模态搜索智能体的「串行困局」

刻下主流的 Agent 在面临包含多个实体的复杂图移时，时常只可选拔顽劣的「N 轮串行调用」政策。

这种传统的处理旅途带来了三重难以跳跃的窘境：最初是极大的交互冗余，蓝本一句话的多实体查询被动退化为屡次单实体搜索，导致蔓延剧增；其次是缺陷放大的多米诺骨牌效应，前置定位一朝发生偏差，后续的搜索为止将被沿路稠浊；终末是模子捕快中大量存在的奖励偏差与「信用分派」问题。

现存模子时常仅以「最终谜底对错」行动独一奖励圭臬，这不仅会导致智能体为了追求名义准确率而养成「暴力多搜」的坏风气，引入更多噪声；更致命的是，这种粗粒度的稀罕奖励会带来恶毒的「连坐刑事背负」—— 在那些最终失败的探索轨迹中，蓝本正确、阔气逻辑的中间推理和用具调用也被一并全盘谈论，导致模子根柢无法从失败中灵验收受局部提示。

递次：从动作空间、数据到 RL 的「全栈式」成果重塑

为了让智能体委果具备「一次脱手，多策画并发」的内生才气，HyperEyes 接头团队在动作空间、数据合成与强化学习三个维度上进行了绝对的底层重构。

传统的智能体时常将「视觉剪辑」和「网罗搜索」行动两个孤苦的体式，而 HyperEyes 冲破了这一进犯，建议了「调处定位即搜索」（UGS）的动作空间重构决策。它将视觉定位框径直行动检索动作的内嵌参数，使得一次函数调用就能并发捎带多个策画框。这一瞎想从物理层面绝对买通了单轮交互内多策画并发的通路。

关联词，空有架构还不够，开源社区永久零落「并行搜索」的捕快语料。为此，接头团队瞎想了一套精密的合成活水线。他们最初将多类图片拼接，合成出必须同期进行定位与检索才能解答的视觉查询；接着基于图谱赶紧游走，构造出多经管的杂乱问题并严格剔除捷径解；终末，通过渐进式拒却采样（PRS）时刻，在严格的递加轮次预算下，滚球app中国官网下载入口提纯出 3 万条「零冗余」的并行活动种子数据，完竣惩处了模子 SFT 冷来源的障碍。

在最中枢的强化学习（RL）对都阶段，HyperEyes 绝对颠覆了传统 RL 的「唯为止论」范式。传统的稀罕奖励时常会激发双重隐患：零落成果经管的奖励机制会高傲模子养成「冗余试错」的惰性，以就义推理速率为代价疏通准确率；更灾祸的是，在处理长周期任务时，恶毒的为止导向会带来极其不自制的「连坐刑事背负」—— 即即是一次号称完竣的中间推理过程，也会因为最终要害的诞妄被绝对扼杀，导致模子在复杂探索中迷失标的。

针对这一问题，团队创新性地建议了「宏不雅 + 微不雅」的双粒度成果感知强化学习框架。在宏不雅轨迹层面，系统引入了 TRACE（动态参考的本钱成果奖励）机制。这并不是一个一刀切的步数死高歌，而是一把「自我特出」的动态标尺。系统会将模子刻下的用具调用发达与标尺对比，惟有比标尺更高效才能获取奖励。在每个 Epoch 驱散后，2026FIFA世界杯中国官网系统会自动用本轮发达最佳、步数最少的轨迹去刷新并收紧标尺。这就像跳高比赛，横杆跟着模子才气的进步越调越高，逼迫模子不停挤出水分。

而在微不雅 Token 层面，为了精确抢救失败轨迹中的「正确中间过程」，HyperEyes 引入了 OPD（政策内蒸馏）机制。这一机制只在轨迹最终答错时才会来源，届时会引入一个 235B 的满血版教学模子，为失败轨迹中的每一步提供众多的 Token 级监督信号，精确打捞那些蓝本正确的中间计较。

这种「仅在失败时蒸馏」的非对称瞎想，完竣幸免了对学生模子「高效并发」本能的掩饰。得胜时由宏不雅奖励主导成果，失败时由微不雅蒸馏托底纠偏，宏微不雅的严丝合缝，绝对开释了多模态大模子的并发检索天性。

IMEB Benchmark：把「搜索成果」行动遍及评估维度

现存多模态榜单大量存在「只看准不看快」的时弊。为了改良这一导向，团队发布了首个包含 300 条极具挑战性多实体视觉评测基准的 IMEB (Image Multi-Entity Benchmark)。

与之配套，团队还建议了「本钱感知评分」 (CAS)。该评分圭臬在调处标尺下，将准确率、Token 消费和用具调用轮次进行攀附评估，把传统的谜底质地换算为「单元蔓延下的灵验信息密度」，从根柢上胁制了大模子靠堆砌算力暴力刷榜的活动。

履行为止与中枢发现

在随后的 6 大主流基准测试中，HyperEyes 展现出了极具统领力的发达，完结了准确率与成果的 Pareto 占优。全面建树开源 SOTA 并非虚言 ——HyperEyes-30B 以 64.0% 的准确率特出同量级最强开源模子 VDR 达 9.9%，而其平均用具调用轮次仅为 VDR 的不到五分之一（2.2 对比 11.6）。而其 235B 版块更所以仅 1.1% 的隐微差距迫临闭源旗舰 Gemini-3.1-Pro。

在极为严苛的 CAS 本钱成果评分中，30B 版块的发达达到了次优开源模子的 7.6 倍，讲明其每一单元算力输出的信息密度都极高。消融履行也说明了，这种底层的动作空间重构瞎想，对传统的「LLM 外挂剪辑」或「代码沙箱剪辑」组成了降维打击。

更专诚旨好奇瞻仰好奇瞻仰的是其面临噪声的强鲁棒性。在真假凭证夹杂的烦嚣测试中，HyperEyes 这种「勇于少搜、一次看全」的并行政策，反而大幅回避了过度检索带来的幻觉罗网。

在一个面临 6 东说念主同框复杂问答的果然测试案例中，传统 Agent 因为「一一剪辑 + 搜索」的顽劣逻辑将经过拖拽至 12 轮，最终因噪声蓄积而答错；而 HyperEyes 首轮即并发定位并检索了沿路 6 东说念主，仅用 3 轮便给出精确谜底，直不雅地展现了什么叫「一次脱手，看清全局」。

结语：多模态搜索智能体的下一站，是「成果即智能」

永久以来，巨匠大量合计多模态搜索必须通过串行加深来保证准确度，而 HyperEyes 冲破了这一固有惯性。它用详确的实考讲明了，在 Agent 捕快中，「准确率」与「成果」绝对不错协同进化。

跟着多模态 Agent 渐渐步入电商比价、视觉检索、及时交互等果然的高并发业务场景FIFA世界杯官方合作指定网站，从「搜得更深」转向「搜得更宽」，必将成为下一代智能体角逐的中枢竞争力。