簡單講，騰訊今次釋出嘅新框架叫 OpenSearch-VL。論文把它形容為一套建立前沿多模態搜尋代理的開放「配方」（open recipe），arXiv 顯示論文於 2026年5月6日提交 ^[2]。

它唔係純粹「睇張相然後答問題」的模型，而係想訓練 AI agent（智能代理）主動搵資料：一邊理解圖片，一邊調用外部工具，逐步搜尋、核對、再推理。

OpenSearch-VL 做乜？

OpenSearch-VL 的核心，是令多模態模型由「被動理解圖片」變成「主動尋找證據」。根據早期報道，它可使用的工具包括網頁搜尋、反向圖片搜尋、OCR 文字辨識、圖片裁剪、銳化、超解像，以及透視校正等 ^[3]。

可以咁理解：如果模型面前係一張又細又模糊、角度又歪的圖片，它唔一定要即刻估答案，而可以先裁剪重點位置、改善清晰度、做 OCR 抽文字，甚至用反向搜圖搵相關資料，再整合成答案。呢種「多步搵證據」正正係多模態搜尋代理同傳統影像問答模型的分別。

邊個發布？

這項工作來自 Tencent Hunyuan（騰訊混元），合作者包括 UCLA（加州大學洛杉磯分校）和 香港中文大學；相關作者和機構亦見於論文及早期報道 ^[1][3]。

訓練方法有咩特別？

OpenSearch-VL 唔只是一個模型名稱，而是一套訓練方案。項目包括監督式微調和強化學習資料，例如 SearchVL-SFT 的 36,000 條軌跡，以及 SearchVL-RL 的 8,000 條軌跡 ^[3]。

報道亦提到一個名為 Multi-round Fault-Aware GRPO 的訓練方法，目標是讓模型可從部分失敗的工具使用軌跡中學習，而唔係一遇到搜尋或工具調用出錯就整個推理崩潰 ^[3]。

同 OpenAI、Google 的閉源系統點比？

最大分別唔係一句「邊個一定更勁」就講得完，而係 開放程度。

OpenAI 和 Google 的同類多模態搜尋／研究代理大多屬於閉源商業系統；OpenSearch-VL 則被定位為開源替代方案，目標是釋出訓練資料、代碼和模型權重，方便研究人員重現、審視和改良 ^[3]。

性能方面，騰訊報告指 OpenSearch-VL 在七個多模態深度搜尋 benchmark 的平均表現提升超過10個百分點，並在部分任務上可與領先的閉源商業模型相若 ^[3]。

但要睇定啲

暫時較穩陣的講法是：OpenSearch-VL 是一個有野心的開源多模態搜尋代理框架，方向上明顯想對標 OpenAI、Google 等閉源系統；但「已經追上」或「全面超越」仍未有足夠獨立證據支持。

目前公開資料主要來自 arXiv 論文和發布初期報道，所以相關 benchmark 成績應視為初步結果，仍有待第三方重現和測試 ^[1][2][3]。