OneSearch-VL: Единый мультимодальный глубоко исследовательский агент для изображений и видео

arXiv: 261.10.12419v 1 Annuaire Type: новый резюме: одноименный, многовидовой и видеоглубокий поиск требует различных визуальных операций, но имеет общий рабочий поток визуального заземления, внешнего поиска и композиции фактов. Одна из ключевых задач заключается в сохранении зависимостей, связывающих локальные визуальные якори, отношения между образованиями, факты с опорой на источники и операции по подготовке ответов. Мы представляем OneSearch-VL, унифицированный агент, сосредоточенный на графе визуально заземленных доказательств (VGEG), который кодирует эти зависимости в качестве общей справочной базы для целей построения данных, контроля процессов и оценки уровня операций. Наш движок на основе данных VGEG создает и проверяет многообразные и видеовопросы, а также экспертные траектории фильтров. Используя эти данные, мы собираем OneSearch-VL-SFT-110K и OneSerch- VL-RL-10K для SFT и RL соответственно. Кроме того, мы извлекаем из аннотаций VGEG награду за использование вещаемой ленты " Rutrition-Broaded > (VEGR) для наблюдения за отслеживанием доказательств и визуальной насадкой во время R