大模型之家讯 近日，阿里巴巴自然语言处理团队宣布推出多模态深度研究智能体WebWatcher，通过整合网页浏览、图像搜索、代码解释器和内部OCR等多种工具，能够像人类研究员一样处理复杂的多模态任务。在高质量推理轨迹构建与后训练方面，WebWatcher采用了Action-Observation驱动的轨迹生成方法，通过收集真实的多工具交互轨迹并进行监督微调（SFT），让模型在训练初期快速掌握多模态ReAct式推理和工具调用的基本模式。随后，模型进入强化学习阶段，通过GRPO进一步提升多模态Agent在复杂环境下的决策能力。
在人类终极考试（Humanity’s Last Exam，HLE-VL）这一多步复杂推理基准上，WebWatcher以13.6%的Pass@1分数一举夺魁，大幅领先于GPT-4o(9.8%)、Gemini2.5-flash(9.2%)和Qwen2.5-VL-72B(8.6%)等代表性模型。在更贴近真实多模态搜索的MMSearch评测中，WebWatcher的Pass@1得分高达55.3%，相比Gemini2.5-flash(43.9%)和GPT-4o(24.1%)大幅领先。在LiveVQA评测中，WebWatcher的Pass@1成绩达到58.7%，领先于其他主流模型。在最具综合挑战的BrowseComp-VL基准上，WebWatcher以27.0%的平均得分(Pass@1)遥遥领先，成绩提升超过一倍。
