清华&OPPO联合打造"智能侦探"：AI学会主动追查证据准确率飙升27%

说个真实的场景：你拍了张公园的照片，想知道这公园在哪个城市，结果手机AI助手要么给你个不着边际的答案，要么干脆说“不知道”。这事儿听着简单，背后其实藏着一个相当棘手的AI难题——怎么让机器在看图的同时，还能主动去翻找那些它本来不知道的知识？

最近，清华大学深圳国际研究生院、OPPO AI中心联合南洋理工大学搞了个挺有意思的解决方案。他们的思路是把AI设计成一个“主动侦探”：面对一张照片和一个问题，不瞎猜，而是主动出击——先看图找线索，再翻文字档案，直到证据凑齐了才下结论。这个系统叫ProMSA（Progressive Multimodal Search Agents，渐进式多模态搜索智能体），在两大主流测试集上的表现，比之前最强的对手高出了7到9个百分点。

这项研究已经在2026年6月26日挂到了arXiv上，编号arXiv:2606.27974。

一、侦探为什么比旁观者更聪明？

要搞明白这项研究的价值，得先弄清楚一个基本问题：为什么看图回答问题这么难？

表面上看，现在的AI能认猫狗、能理解文字、还能写诗作画，好像无所不能。可问题一旦碰上“冷僻知识”，AI立马露出短板——就像一位博学的学者被问到某个偏远小镇的街名，就算真去过，也未必能准确说出来。拿“图片里这个湖在哪个国家”举例，全球成千上万个湖泊，绝大多数在AI的训练数据里出现次数少得可怜，靠记忆根本回答不了。

现有的应对方案，基本走的是“先查后答”的路子——可以理解成一种图书馆查阅流程。系统先把图片拿去比对数据库，找出最相关的几个维基百科页面，再把页面内容喂给AI，让它根据这些材料作答。这个方法确实管用，但有三个硬伤。

首先是检索策略太死板。不管碰上什么情况，系统都只做同一件事——去翻同一个档案柜。而真正需要的是根据案情的不同，灵活决定该去哪里查、查什么。有些问题根本不需要检索，有些需要先识别图中实体再文字检索，还有些得来回追好几轮。一套固定流程根本应付不来。

其次是没有纠错机制。第一次检索如果拿到了错误页面，系统只能硬着头皮将错就错，完全没有回头重查的能力。这就像侦探翻到一份假证据，却毫无办法，最后只能做出错误判断。

第三，处理不了需要多步推理的问题。比如“图片里这位运动员效力的球队，主场球场容量是多少”，至少得两步：先识别运动员和球队，再查球场容量。一次性的检索根本搞不定。

正是冲着这三个痛点，研究团队设计了ProMSA——一个会主动调查的系统。

二、侦探的办案流程：渐进式搜索

ProMSA的核心思路，用一个侦探破案的比喻就能说清楚。每次接到一个“案件”（图片+问题），侦探不会立刻下结论，而是根据现有线索决定下一步行动，直到证据足够。

具体来说，侦探每一步有三个选择：发起图像搜索、发起文字搜索，或者宣布“证据够了，我有答案了”。这三个选项合起来叫“行动空间”。

图像搜索怎么工作？侦探把当前图片跟维基百科里数百万张图片比对，找出最相似的几张，然后抓取这些图片对应的页面内容。这一步主要用于识别图中的实体——这是什么建筑、这是哪个人、这是哪个地标。

文字搜索则是另一条线索：根据已知信息生成文字查询，去维基百科的文字内容里找具体属性。比如已经知道图片里是“马里乌奇竞技场”，接下来要回答“里面有什么类型的座位”，就得专门搜索这个球场的文字介绍。

特别巧妙的是“去重机制”。侦探每次查过的档案都会被记下来，下次检索时自动排除掉，避免在同一个错误证据上原地打转。这意味着，就算第一次图像搜索返回了错误实体，侦探可以重新发起搜索，这次绕开上次的错误结果，向更深处追踪正确答案。

整个过程中还有一个“预算”约束——图像搜索和文字搜索各自最多调用3次，防止无休止地查下去耗尽资源。一旦超出预算，必须给出当前最佳判断。

另外，每次检索返回的大量文字容易让侦探“信息过载”。系统专门设了一个“摘要员”，由另一个AI负责把维基百科页面压缩成与问题最相关的简短摘要，再交给侦探。这样一来，侦探每次读到的都是精炼的关键信息，而不是成千上万字的原始文本。

三、侦探是怎么被训练出来的

有了这套流程，接下来就是怎么教会侦探用好这些工具？

研究团队采用两阶段训练方案，可以理解为“先上基础培训课，再实战磨练”。

基础培训课叫“冷启动监督学习”。这阶段，团队从训练数据里抽了3000个问题，让一个初始版AI反复尝试，每次只保留那些格式正确、工具调用成功、并且最终答案正确的尝试轨迹，丢掉失败的。这就像筛选优秀答卷——只收录“做对了而且步骤清晰”的范例，然后让AI从这些范例里学习基本流程。这一步不要求学会高深策略，只要求能正确填写“工具调用表格”、按格式汇报推理过程。

实战磨练阶段用的是强化学习，更高级一些。团队从训练数据里取出15000个问题，让已经学会基本格式的侦探去实际办案，根据最终结果给奖励或惩罚。奖励机制由三部分构成：答案正确给高分，格式规范额外加分，而调用工具的次数越多则会被适当扣分——目的是鼓励侦探用最少的调查步骤解决问题。经过大量实战，侦探逐渐学会了什么时候该继续搜索、什么时候该下结论，以及用图像搜索还是文字搜索更合适。

四、训练算法的一个关键改进

在强化学习的技术细节上，研究团队发现现有方法有个隐藏问题，并提出了针对性改进。

现有主流强化学习方法更新AI参数时，会把本次尝试产生的总体偏差除以“生成了多少个词”来做归一化。逻辑是：词越多，每个词的平均贡献越小，所以需要相应调整更新幅度，避免超长文本导致训练信号过大。

但在侦探这个场景里，决定成败的关键不只是“写了多少字”，更重要的是“调用了几次工具、做了几轮调查”。一个侦探可能文字不多，但调用了3次工具；另一个写了大量分析，但只调用1次。两者的“决策复杂度”天差地别，但光按文字量归一化，训练信号就会跑偏。

研究团队提出的TN-GSPO（工具归一化的群体序列策略优化）方法，把归一化的分母从“生成词数”扩展为“生成词数 × (1 + 工具调用深度的函数)”。这样一来，工具调用越多的轨迹，更新幅度会相应调小，与实际决策复杂度更匹配，训练过程也更稳定。

从训练动态曲线看，使用原始GRPO方法的侦探在训练早期就迅速减少了工具调用次数——学会了“尽量少查案”来规避扣分，但代价是证据收集不足。而TN-GSPO训练出的侦探保持了合理的工具调用频率，在整个过程中逐步找到了查案深度与效率的平衡点。

五、侦探上场后的成绩单

研究团队在两个主流知识型视觉问答数据集上测试了ProMSA：Encyclopedic-VQA（E-VQA，约16.7万道题，涉及1.67万个维基百科实体）和InfoSeek（约130万道题，专门测“未见过实体”的泛化能力）。

在E-VQA上，仅凭自身知识作答的最新视觉语言大模型（Qwen3-VL-8B）准确率约25%，相当于侦探啥工具都不用，单靠记忆瞎猜。引入固定检索流程的最强对手REAL达到约45%。而ProMSA（Qwen3-VL-8B版本）在单跳问题上达52.2%，在全量测试上更达52.6%，领先优势很突出。

在InfoSeek上情况类似。这个数据集特别测试“未见过的实体”和“未见过的问题”两种泛化难度，ProMSA分别达到53.6%和53.3%，综合53.4%，同样显著领先。

团队还在OK-VQA这个更广泛的视觉问答数据集上做了测试，验证侦探技能的迁移能力。结果显示，用Qwen2.5-VL-7B的ProMSA达到82.7%，用Qwen3-VL-8B的版本更达到85.6%，都超过了此前专门针对OK-VQA设计的方法。这说明侦探学到的不是针对特定任务的技巧，而是真正通用的知识搜索能力。

在推理速度方面，ProMSA平均每个样本耗时1.8秒（约为最快方法EchoSight的1.5倍），但准确率比EchoSight高出约30个百分点。相比之下，Deepeyesv2的耗时是EchoSight的2倍，但准确率反而比ProMSA低约10个百分点。这意味着ProMSA在性能和速度之间取得了相当好的平衡。

六、拆开盖子看细节：每个设计的贡献有多大

研究团队做了一系列对照实验，搞清楚每件装备到底有多大用处。

先看训练阶段的贡献。从基础模型（仅有推理框架，未经训练）到冷启动SFT阶段，E-VQA综合准确率从32.8%提升至38.6%；再加上强化学习，进一步跃升至52.6%。冷启动解决的是“会不会用工具”，强化学习解决“用得好不好”，两者缺一不可。

再看工具配置。只给文字搜索工具时，E-VQA准确率27.6%，InfoSeek 36.8%——文字搜索在需要先识别实体的场景下表现很差，因为侦探连“被调查对象是谁”都没确认就去查属性，自然事倍功半。只给图像搜索工具时，E-VQA准确率34.7%，但InfoSeek只有21.4%——图像搜索擅长识别实体，但需要细粒度文字知识时就无能为力。两者同时配备，E-VQA和InfoSeek分别达到52.6%和53.4%，效果远超任何单一工具，证明了多模态自适应检索的必要性。

在工具调用预算方面，每种工具可调用2次时，E-VQA为48.2%；调用3次时最优，达52.6%；调用4次时略降至52.4%。这印证了“预算太少证据不足，预算太多引入噪声”的直觉。

在每次检索返回数量方面，返回Top-1时E-VQA为45.9%，返回Top-3时达最优52.6%，返回Top-4时略降至52.1%，同样呈倒U形曲线。

七、侦探是怎么决定“何时收手”的

研究团队还对侦探多轮调查中的行为做了细粒度分析，结果挺耐人寻味。

第一轮检索后，只有39.1%的检索结果包含了正确的维基百科页面——侦探的第一反应其实常出错，约六成情况需要进一步调查。这一轮，46.4%的情况是“检索错了但侦探选择继续查”，体现了自我纠错本能；但也有14.5%是“检索错了但侦探停下给出答案”，属于明显错判。

到第二轮检索后，检索准确率提升至48.8%，“检索正确并停下”的比例从32.4%升至45.5%，“检索错误但继续查”的比例从46.4%骤降至7.4%。这说明强化学习有效训练出了“找到可靠证据就及时收手”的判断能力。

当然，第二轮也出现了一个值得关注的模式：有相当比例是“检索仍然错误，但侦探停了”。研究团队分析，一方面是因为工具调用成本惩罚机制在起作用——继续查代价太高，侦探选择了妥协；另一方面也反映出对于真正“长尾”的冷僻实体，侦探有时确实无法判断证据是否可靠。这是当前版本的一个局限，也是未来可以改进的方向。

说到底，ProMSA做的事并不复杂：把AI从一个被动的“知识库”变成一个主动的“调查员”。但实现这个转变需要解决的问题却很精细——既要设计合理的调查工具，又要训练出恰当的使用策略，还要在效率和准确率之间找到平衡。冷启动加强化学习的两阶段训练、TN-GSPO稳定学习过程、双工具自适应切换覆盖不同类型的知识缺口——这些设计共同造就了最终的性能提升。

对普通用户来说，这项研究意味着未来的AI助手在面对“图中这是什么地方”“这个人物在哪里出生”等冷僻知识问题时，会有更大概率给出正确答案，而不是自信地瞎编。对研究者来说，TN-GSPO提供了一种更合理的多工具智能体训练范式，可以推广到其他需要外部工具调用的AI任务上。

想深入了解技术细节的读者，可以通过arXiv平台检索编号2606.27974查看完整论文，代码也在GitHub上开源了。

Q&A

Q1：ProMSA和普通的RAG检索增强方法有什么本质区别？
A：普通RAG是一次性检索后直接生成答案，检索策略固定，失败了没法纠正。ProMSA则像一个主动调查的侦探，能根据每一步的检索结果决定继续查还是停下来，还能在第一次检索失败后自动排除错误结果再次尝试，形成闭环的搜索推理过程。

Q2：TN-GSPO与GRPO相比解决了什么具体问题？
A：GRPO训练多工具智能体时，只按生成文字的数量来归一化训练信号，这会让AI倾向于“少用工具、少写字”来获得更稳定的优化信号，最终证据收集不足。TN-GSPO额外把工具调用次数纳入归一化分母，让训练信号强度与实际决策复杂度相匹配，从而引导AI在需要时合理使用多次工具调用。

Q3：ProMSA在什么类型的视觉问答问题上提升最明显？
A：ProMSA在涉及长尾实体（即训练数据中很少出现的偏僻实体）的知识型问题上提升最显著，尤其是那些需要先识别图中实体再追查其属性的问题，以及需要跨多个维基百科页面进行多步推理的问题。对于AI参数记忆中已有答案的常见知识，提升幅度相对有限。