Tencent OpenSearch-VL क्या है? मल्टीमॉडल AI सर्च एजेंट बनाने की ओपन-सोर्स रेसिपी

Tencent का नया फ्रेमवर्क OpenSearch-VL है। इसे किसी आम उपभोक्ता चैटबॉट की तरह नहीं, बल्कि मल्टीमॉडल AI सर्च एजेंट बनाने की ओपन-सोर्स ट्रेनिंग रेसिपी के रूप में पेश किया गया है। इसका मकसद विज़न-लैंग्वेज मॉडल को सिर्फ एक तस्वीर देखकर जवाब देने से आगे ले जाना है—ताकि वे कमी वाले सबूत खोज सकें, टूल इस्तेमाल कर सकें और कई चरणों में तर्क कर सकें ।

रिसर्च पेपर जमा करने के खुले प्लेटफॉर्म arXiv पर यह पेपर 6 मई 2026 को सबमिट बताया गया है, और लॉन्च कवरेज के मुताबिक Tencent Hunyuan ने UCLA और The Chinese University of Hong Kong के साथ मिलकर इसे जारी किया ।

OpenSearch-VL किस समस्या को हल करना चाहता है

मल्टीमॉडल लार्ज लैंग्वेज मॉडल यानी ऐसे AI मॉडल जो टेक्स्ट के साथ इमेज भी समझते हैं—अब केवल तस्वीर पहचानने से आगे बढ़ रहे हैं। चुनौती यह है कि वे “दिख रही चीज़” पर तुरंत जवाब देने के बजाय जरूरत पड़ने पर खुद सबूत खोजें और फिर निष्कर्ष निकालें। शुरुआती कवरेज ने इसी बदलाव को अगली बड़ी चुनौती बताया, साथ ही यह भी कहा कि अच्छे ट्रेनिंग डेटा, ऑटोमेटेड ट्रैजेक्टरी सिंथेसिस और विस्तार से लिखी ट्रेनिंग रेसिपी की कमी ऐसे एजेंट दोहराने में बाधा रही है ।

OpenSearch-VL इसी जगह पर दांव लगाता है। यह डेटा, टूल ऑर्केस्ट्रेशन, सुपरवाइज़्ड फाइन-ट्यूनिंग, रीइन्फोर्समेंट लर्निंग और मल्टीमॉडल डीप-सर्च इवैल्यूएशन को एक ज्यादा स्पष्ट एजेंट-बिल्डिंग रेसिपी के रूप में सामने रखता है ।

तस्वीर से जवाब तक: एजेंट कैसे खोजता है

एक सामान्य विज़न-लैंग्वेज मॉडल तस्वीर का वर्णन कर सकता है या तस्वीर में मौजूद चीज़ों के आधार पर सवालों के जवाब दे सकता है। OpenSearch-VL का डिजाइन इससे अलग है: पेपर ऐसे एजेंटों का वर्णन करता है जो वेब सर्च, रिवर्स इमेज सर्च, OCR, क्रॉपिंग, शार्पनिंग, सुपर-रेज़ॉल्यूशन और परस्पेक्टिव-करेक्शन जैसे टूल बुला सकते हैं ।

यह फर्क अहम है, क्योंकि वास्तविक सर्च टास्क में तस्वीर अक्सर अधूरी या खराब गुणवत्ता वाली होती है। किसी फोटो में छोटा-सा टेक्स्ट धुंधला हो सकता है, कोई वस्तु गलत कोण से दिख सकती है, कोई लैंडमार्क आधा कटा हो सकता है या कोई दृश्य संकेत बाहरी पुष्टि मांग सकता है। OpenSearch-VL की सेटिंग में मॉडल तय कर सकता है कि कौन-सा सबूत कम है, किस रिट्रीवल या इमेज-प्रोसेसिंग टूल की जरूरत है, और फिर मिले नतीजे को अगले तर्क-चरण में शामिल कर सकता है ।

ट्रेनिंग रेसिपी: SFT, RL और गलती-सहने वाला टूल-यूज़

OpenSearch-VL पेपर में दो ट्रैजेक्टरी डेटासेट शामिल हैं: SearchVL-SFT, जिसमें 36,000 सुपरवाइज़्ड फाइन-ट्यूनिंग ट्रैजेक्टरी हैं, और SearchVL-RL, जिसमें 8,000 रीइन्फोर्समेंट-लर्निंग ट्रैजेक्टरी हैं । पेपर Multi-round Fault-Aware GRPO नाम का ट्रेनिंग तरीका भी पेश करता है, जिसे ऐसे मल्टी-स्टेप टूल-यूज़ के लिए बनाया गया है जहां बीच के कदम फेल हो सकते हैं, आंशिक रूप से मदद कर सकते हैं या सुधार की जरूरत पैदा कर सकते हैं ।

यहां “ट्रैजेक्टरी” शब्द का मतलब केवल अंतिम जवाब नहीं, बल्कि उन कदमों की पूरी श्रृंखला है जिनसे एजेंट जवाब तक पहुंचता है। मल्टीमॉडल सर्च एजेंट को यह सीखना होता है कि कब वेब पर खोजना है, कब तस्वीर को क्रॉप या साफ करना है, कब OCR से टेक्स्ट पढ़ना है और कब सबूत जुटाना रोक देना है। OpenSearch-VL इन फैसलों को ट्रेनिंग उदाहरणों के रूप में पैकेज करता है, ताकि टूल इस्तेमाल करने की प्रक्रिया छिपी हुई या अनुमान पर निर्भर न रहे ।

प्रदर्शन के दावे: मजबूत, लेकिन अभी सावधानी जरूरी

पेपर का मुख्य प्रदर्शन दावा बड़ा है: लेखकों के अनुसार OpenSearch-VL ने सात मल्टीमॉडल डीप-सर्च बेंचमार्क पर औसतन 10 प्रतिशत अंक से ज्यादा सुधार दिखाया और कुछ टास्क में प्रमुख बंद-स्रोत कमर्शियल मॉडल्स के बराबर प्रदर्शन किया ।

लेकिन यह दावा OpenAI या Google जैसे सिस्टम्स के साथ उत्पाद-स्तर की बराबरी साबित नहीं करता। उपलब्ध साक्ष्य अभी लेखकों के पेपर और लॉन्च कवरेज तक सीमित हैं; स्वतंत्र पुनरुत्पादन या प्रोडक्शन सिस्टम्स का सार्वजनिक, समान-शर्तों वाला ऑडिट उपलब्ध नहीं है । इसलिए OpenSearch-VL को फिलहाल तकनीकी रूप से उपयोगी और आशाजनक पहल मानना बेहतर है, लेकिन वास्तविक दुनिया की भरोसेमंदी, लेटेंसी, सुरक्षा-व्यवहार और लंबे सर्च-चेन में गलती सुधारने की क्षमता पर फैसला अभी बाकी है।

OpenAI और Google के सिस्टम्स से तुलना में असली अंतर

अगर OpenSearch-VL की तुलना OpenAI और Google के प्रॉपर्टरी मल्टीमॉडल सर्च या रिसर्च सिस्टम्स से करें, तो सबसे स्पष्ट अंतर खुलापन है। OpenSearch-VL को ओपन रेसिपी और ओपन-सोर्स ट्रेनिंग योजना के रूप में पेश किया गया है, जबकि दिए गए स्रोत उन बंद कमर्शियल प्रोडक्ट्स के समान ट्रेनिंग स्टैक को सार्वजनिक नहीं दिखाते ।

यही बात इसे रिसर्चरों और डेवलपर्स के लिए खास बनाती है। वे देख सकते हैं कि मल्टीमॉडल सर्च एजेंट कैसे ट्रेन होते हैं, टूल-यूज़ ट्रैजेक्टरी कैसे बनाई जाती हैं और मल्टी-स्टेप विज़ुअल रीजनिंग कहां चूकती है। इसके बेंचमार्क दावे इसे गंभीर ओपन चैलेंजर बनाते हैं, लेकिन सार्वजनिक सबूत अभी यह तय नहीं करते कि यह बंद सिस्टम्स के बराबर प्रोडक्शन वातावरण में भी काम करेगा ।

आगे किन बातों पर नजर रहेगी

अब असली कसौटी व्यावहारिक होगी: क्या बाहरी रिसर्चर बताए गए बेंचमार्क परिणाम दोहरा पाते हैं, क्या यह रेसिपी पेपर के मूल्यांकन सेट से बाहर दूसरे डोमेन में भी उतनी ही कारगर रहती है, और क्या इस तरह ट्रेन किए गए एजेंट लंबे वास्तविक सर्च में टूल-एरर को संभाल पाते हैं।

फिलहाल OpenSearch-VL का सबसे बड़ा योगदान पारदर्शिता है। यह AI समुदाय को मल्टीमॉडल सर्च एजेंट बनाने की एक ठोस खुली रेसिपी देता है—और यह जांचने का बेहतर रास्ता भी कि ओपन सिस्टम्स, प्रॉपर्टरी AI सर्च प्रोडक्ट्स से कितना अंतर कम कर सकते हैं ।