騰訊 OpenSearch-VL 解讀：開源多模態搜尋智能體點樣同 OpenAI、Google 比？

如果你以為騰訊今次推出嘅 OpenSearch-VL 係另一個 ChatGPT 式聊天機械人，要先收一收：它更準確係一套 開源訓練配方，用嚟打造可以處理圖片、搜尋網頁、調用工具同多步推理嘅多模態搜尋智能體。重點唔止係「睇圖答問題」，而係令視覺語言模型遇到資料不足時，識得主動搵證據、補線索，再整合成答案 。

arXiv 頁面顯示，OpenSearch-VL 論文於 2026 年 5 月 6 日提交；發布報道就指，項目由騰訊混元（Tencent Hunyuan）聯同 UCLA（加州大學洛杉磯分校）、香港中文大學等合作推出 。

OpenSearch-VL 想解決咩問題？

多模態大語言模型近年已經可以描述圖片、回答圖像問題，但要變成真正「會搜尋」嘅智能體，難度高好多。早期報道將下一步挑戰形容為：模型要由被動理解圖片，升級到主動尋找證據同推理；同時指出，高質素工具使用軌跡數據、自動合成路徑，以及完整訓練配方，一直係複現頂尖多模態搜尋智能體嘅瓶頸 。

OpenSearch-VL 嘅做法，就是將數據、工具協調、監督式微調（SFT）、強化學習（RL）同評測方法，包成一個相對清楚嘅開源方案，集中處理「多模態深度搜尋」呢類任務 。

佢點樣「用圖去搜尋」？

一般視覺語言模型可能只會根據相中見到嘅像素作答；OpenSearch-VL 則設計成一個工具循環。論文描述嘅智能體可以調用網頁搜尋、反向圖片搜尋、OCR 文字辨識、裁剪、銳化、超解像，以及透視校正等工具 。

呢點對圖像搜尋好關鍵。好多圖片入面嘅證據都唔完整：可能係招牌太細、地標被截走一截、物件角度唔啱、相片質素差，或者有啲視覺線索需要外部資料確認。喺 OpenSearch-VL 嘅設定入面，模型要學識判斷「仲缺咩證據」，再決定用搜尋工具、影像處理工具，定係 OCR 去補資料，最後將結果放入下一輪推理 。

訓練配方：SFT、RL，同識處理工具出錯

論文列出兩套軌跡數據：SearchVL-SFT，包含 36,000 條監督式微調軌跡；以及 SearchVL-RL，包含 8,000 條強化學習軌跡 。OpenSearch-VL 亦提出 Multi-round Fault-Aware GRPO，即多輪、故障感知嘅 GRPO 訓練方法，目標係處理多步工具使用期間可能出現嘅情況：中途操作失敗、只幫到一部分，或者需要修正方向 。

呢度嘅重點係「軌跡」。一個多模態搜尋智能體唔只要知道張相有咩，仲要知道幾時應該搜尋、幾時要裁圖或增強圖片、幾時用 OCR 讀字、幾時已經夠證據可以停。OpenSearch-VL 嘗試將呢啲決策變成可訓練嘅例子，而唔係將工具使用過程收埋喺黑箱入面 。

性能聲稱強，但要睇清楚限制

OpenSearch-VL 最搶眼嘅聲稱係性能提升。論文表示，系統在七個多模態深度搜尋基準上，平均提升超過 10 個百分點，並稱在部分任務上可媲美領先嘅閉源商用模型 。

不過，呢句唔等於已經證明佢喺產品層面同 OpenAI 或 Google 系統全面打成平手。現有公開證據主要來自作者論文同發布報道，未見獨立團隊完成同條件複現，亦未有對生產環境系統作公開、一對一嘅審核 。所以，對 OpenSearch-VL 比較穩陣嘅理解係：技術上有吸引力、對研究有用，但現實使用時嘅穩定性、延遲、安全行為，以及長任務失敗復原能力，仍要再觀察。

同 OpenAI、Google 閉源系統點比？

如果你係研究員、開發者，或者正評估 AI 搜尋方案，OpenSearch-VL 同 OpenAI、Google 同類閉源商用系統最清楚嘅分別，暫時唔係「邊個一定更勁」，而係 開放程度。OpenSearch-VL 被定位為開源配方同開源訓練方案；相對地，現有引用資料並無披露 OpenAI、Google 閉源商用產品嘅等效訓練堆疊 。

呢種透明度令 OpenSearch-VL 對研究社群特別有價值：大家可以檢視多模態搜尋智能體點樣訓練、工具使用軌跡點樣建立、多步視覺推理會喺邊啲位置出錯。佢嘅基準成績令它成為值得留意嘅開源挑戰者，但公開證據仍未足以判定它已在真實產品場景追上閉源系統 。

下一步要睇咩？

接下來最有意思嘅，唔係單靠發布時嘅分數，而係三件事：外部研究者能否複現論文報告嘅基準結果；呢套配方能否適用於評測集以外嘅不同領域；以及用呢種方法訓練出嚟嘅智能體，能否喺更長、更混亂嘅真實搜尋任務入面，可靠處理工具錯誤。

在有更多外部驗證之前，OpenSearch-VL 最大貢獻係透明度。佢俾 AI 社群一個具體、可拆解嘅開源起點，去研究多模態搜尋智能體點樣由「識睇相」走向「識自己搵證據」；亦令大家有更清楚嘅方法，去測試開源系統可否逐步收窄同閉源 AI 搜尋產品之間嘅距離 。