现存的开源多模态搜索智能体大都受困于「剪辑 - 再搜索」的串行处理方式，面临多目的时时时堕入交互冗长、谬误级联积累的泥沼。

为此，小红书讨论团队提议了一款全新架构的模子：HyperEyes。通过长入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运筹帷幄，HyperEyes 奏效杀青了从「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」

现时主流的 Agent 在面临包含多个实体的复杂图良晌，时时只可领受拙劣的「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：领先是极大的交互冗余，正本一句话的多实体查询被动退化为屡次单实体搜索，导致延伸剧增；其次是谬误放大的多米诺骨牌效应，前置定位一朝发生偏差，后续的搜索限度将被一皆浑浊；终末是模子检修中大都存在的奖励偏差与「信用分拨」问题。

现存模子时时仅以「最终谜底对错」手脚独一奖励模范，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」的坏俗例，引入更多噪声；更致命的是，这种粗粒度的稀少奖励会带来恶毒的「连坐刑事连累」—— 在那些最终失败的探索轨迹中，正本正确、宽裕逻辑的中间推理和器用调用也被一并全盘含糊，导致模子根柢无法从失败中有用接管局部警戒。

方法：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「一次开端，多目的并发」的内生才智，HyperEyes 讨论团队在动作空间、数据合成与强化学习三个维度上进行了透顶的底层重构。

传统的智能体时常将「视觉剪辑」和「汇集搜索」手脚两个闲逸的表率，而 HyperEyes 冲突了这一隔断，提议了「长入定位即搜索」（UGS）的动作空间重构决策。它将视觉定位框径直手脚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目的框。这一运筹帷幄从物理层面透顶买通了单轮交互内多目的并发的通路。

相关词，空有架构还不够，开源社区永恒空乏「并行搜索」的检修语料。为此，讨论团队运筹帷幄了一套精密的合成活水线。他们领先将多类图片拼接，合成出必须同期进行定位与检索才能解答的视觉查询；接着基于图谱迅速游走，构造出多不停的交加问题并严格剔除捷径解；终末，通过渐进式远离采样（PRS）手艺，在严格的递加轮次预算下，NBA篮球投注app官网下载提纯出 3 万条「零冗余」的并行举止种子数据，齐备科罚了模子 SFT 冷动手的难题。

在最中枢的强化学习（RL）对皆阶段，HyperEyes 透顶颠覆了传统 RL 的「唯限度论」范式。传统的稀少奖励时时会激励双重隐患：空乏成果不停的奖励机制会甘休模子养成「冗余试错」的惰性，以排除推理速率为代价疏通准确率；更厄运的是，在处理长周期任务时，恶毒的限度导向会带来极其不屈正的「连坐刑事连累」—— 即等于一次号称齐备的中间推理过程，也会因为最终要津的乌有被透顶扼杀，导致模子在复杂探索中迷失标的。

针对这一问题，团队创新性地提议了「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（动态参考的老本成果奖励）机制。这并不是一个一刀切的步数死敕令，而是一把「自我卓绝」的动态标尺。系统会将模子现时的器用调用弘扬与标尺对比，只消比标尺更高效才能取得奖励。在每个 Epoch 闭幕后，欧宝app系统会自动用本轮弘扬最佳、步数最少的轨迹去刷新并收紧标尺。这就像跳高比赛，横杆跟着模子才智的提高越调越高，抑遏模子不竭挤出水分。

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动手，届时会引入一个 235B 的满血版教会模子，为失败轨迹中的每一步提供宽绰的 Token 级监督信号，精确打捞那些正本正确的中间谋略。

这种「仅在失败时蒸馏」的非对称运筹帷幄，齐备幸免了对学生模子「高效并发」本能的隐痛。奏效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，透顶开释了多模态大模子的并发检索天性。

IMEB Benchmark：把「搜索成果」手脚进犯评估维度

现存多模态榜单大都存在「只看准不看快」的瑕玷。为了校正这一导向，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，团队还提议了「老本感知评分」 (CAS)。该评分模范在长入标尺下，将准确率、Token 骤然和器用调用轮次进行鸠合评估，把传统的谜底质地换算为「单元延伸下的有用信息密度」，从根柢上勤勉了大模子靠堆砌算力暴力刷榜的举止。

本质限度与中枢发现

在随后的 6 大主流基准测试中，HyperEyes 展现出了极具统领力的弘扬，杀青了准确率与成果的 Pareto 占优。全面开辟开源 SOTA 并非虚言 ——HyperEyes-30B 以 64.0% 的准确率卓绝同量级最强开源模子 VDR 达 9.9%，而其平均器用调用轮次仅为 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% 的隐微差距靠近闭源旗舰 Gemini-3.1-Pro。

在极为严苛的 CAS 老本成果评分中，30B 版块的弘扬达到了次优开源模子的 7.6 倍，阐述其每一单元算力输出的信息密度都极高。消融本质也阐发了，这种底层的动作空间重构运筹帷幄，对传统的「LLM 外挂剪辑」或「代码沙箱剪辑」组成了降维打击。

更有益念念的是其面临噪声的强鲁棒性。在真假凭据羼杂的搅扰测试中，HyperEyes 这种「勇于少搜、一次看全」的并行政策，反而大幅避让了过度检索带来的幻觉陷坑。

在一个面临 6 东谈主同框复杂问答的委果测试案例中，传统 Agent 因为「逐个剪辑 + 搜索」的拙劣逻辑将经过拖拽至 12 轮，最终因噪声积累而答错；而 HyperEyes 首轮即并发定位并检索了一皆 6 东谈主，仅用 3 轮便给出精确谜底，直不雅地展现了什么叫「一次开端，看清全局」。

结语：多模态搜索智能体的下一站，是「成果即智能」

永恒以来，民众大都觉得多模态搜索必须通过串行加深来保证准确度，而 HyperEyes 冲突了这一固有惯性。它用详确的实考阐述了，在 Agent 检修中，「准确率」与「成果」皆备不错协同进化。

跟着多模态 Agent 冷静步入电商比价、视觉检索、及时交互等委果的高并发业务场景，从「搜得更深」转向「搜得更宽」欧宝app中国官网入口，必将成为下一代智能体角逐的中枢竞争力。