在數(shù)字化時(shí)代，視覺(jué)信息在知識(shí)傳遞和決策支持中的重要性日益凸顯。然而，傳統(tǒng)的檢索增強(qiáng)型生成（RAG）方法在處理視覺(jué)豐富信息時(shí)面臨著諸多挑戰(zhàn)。一方面，傳統(tǒng)的基于文本的方法無(wú)法處理視覺(jué)相關(guān)數(shù)據(jù)；另一方面，現(xiàn)有的視覺(jué) RAG 方法受限于定義的固定流程，難以有效激活模型的推理能力。

來(lái)自阿里巴巴通義實(shí)驗(yàn)室的最新研究成果 ——VRAG-RL（Empower Vision-Perception-Based RAG for Visually Rich Information Understanding via Iterative Reasoning with Reinforcement Learning），將強(qiáng)化學(xué)習(xí)算法引入多模態(tài)智能體訓(xùn)練，借助迭代推理和視覺(jué)感知空間，全方位提升視覺(jué)語(yǔ)言模型（VLMs）在檢索、推理和理解視覺(jué)信息方面的能力，為純視覺(jué)檢索增強(qiáng)生成任務(wù)提供有效解決方案，代碼、模型全面開(kāi)源！

• Paper 地址：arxiv.org/pdf/2505.22019
• Github 地址：https://github.com/Alibaba-NLP/VRAG

為了解決現(xiàn)有 RAG 方法在處理視覺(jué)豐富文檔時(shí)面臨的挑戰(zhàn)，尤其是生成階段推理能力不足的問(wèn)題，我們推出了 VRAG-RL，該框架引入強(qiáng)化學(xué)習(xí)，專為視覺(jué)豐富信息復(fù)雜推理量身定制。VRAG-RL 通過(guò)定義視覺(jué)感知?jiǎng)幼骺臻g，使模型能夠從粗到細(xì)地逐步聚焦信息密集區(qū)域，精準(zhǔn)提取關(guān)鍵視覺(jué)信息，從而全方位提升視覺(jué)語(yǔ)言模型（VLMs）在檢索、推理和理解視覺(jué)信息方面的能力。

與此同時(shí)，我們注意到現(xiàn)有的方法在將用戶查詢轉(zhuǎn)化為搜索引擎可理解的檢索請(qǐng)求時(shí)，常常因無(wú)法精準(zhǔn)表達(dá)需求而難以檢索到相關(guān)信息，往往存在語(yǔ)義偏差或信息缺失的問(wèn)題。這不僅影響了檢索結(jié)果的相關(guān)性，還限制了模型在后續(xù)生成階段的推理能力。為了解決這一問(wèn)題，VRAG-RL 引入了一種創(chuàng)新的檢索機(jī)制，通過(guò)結(jié)合視覺(jué)感知?jiǎng)幼骱蛷?qiáng)化學(xué)習(xí)，使模型能夠更有效地與搜索引擎進(jìn)行交互。這種機(jī)制不僅能夠幫助模型更精準(zhǔn)地表達(dá)檢索需求，還能夠在檢索過(guò)程中動(dòng)態(tài)調(diào)整檢索策略，從而顯著提升檢索效率和結(jié)果的相關(guān)性。

重定義感知行動(dòng)空間

視覺(jué)仿生思考新范式

傳統(tǒng) RAG 方法在處理視覺(jué)信息時(shí)，往往采用固定的檢索 - 生成流程，即先通過(guò)搜索引擎檢索相關(guān)信息，然后直接生成答案。這種固定流程忽略了視覺(jué)信息的獨(dú)特性，無(wú)法充分利用視覺(jué)數(shù)據(jù)中的豐富細(xì)節(jié)，導(dǎo)致推理能力受限。

相比之下，VRAG-RL 徹底革新了傳統(tǒng)的檢索生成范式，引入了多樣化的視覺(jué)感知?jiǎng)幼鳎渲邪硕喾N視覺(jué)感知?jiǎng)幼鳎鐓^(qū)域選擇、裁剪、縮放等。這些動(dòng)作使 VLMs 能夠從粗粒度到細(xì)粒度逐步聚焦信息密集區(qū)域，精準(zhǔn)提取關(guān)鍵視覺(jué)信息。例如，在處理復(fù)雜的圖表或布局時(shí)，模型可以先從整體圖像中提取大致信息，然后逐步聚焦到信息密集的區(qū)域，通過(guò)裁剪和縮放操作，獲取更清晰、更詳細(xì)的視覺(jué)信息。這種從粗粒度到細(xì)粒度的感知方式，不僅提高了模型對(duì)視覺(jué)信息的理解能力，還顯著提升了檢索效率，使模型能夠更快速地定位到與問(wèn)題相關(guān)的圖像內(nèi)容。

VRAG-RL 采用了多專家采樣策略構(gòu)建訓(xùn)練數(shù)據(jù)，大規(guī)模模型負(fù)責(zé)確定整體的推理路徑，而專家模型則在大規(guī)模模型的指導(dǎo)下，對(duì)圖像中的關(guān)鍵區(qū)域進(jìn)行精確標(biāo)注，結(jié)合大規(guī)模模型的推理能力和專家模型的精確標(biāo)注能力，模型能夠在訓(xùn)練過(guò)程中學(xué)習(xí)到更有效的視覺(jué)感知策略，顯著提升了模型在實(shí)際應(yīng)用中的表現(xiàn)。

檢索與推理協(xié)同優(yōu)化

效率與深度雙重提升

VRAG-RL 的細(xì)粒度獎(jiǎng)勵(lì)機(jī)制將檢索效率、模式一致性與生成質(zhì)量三方面因素融合，引導(dǎo)模型在與搜索引擎的交互中不斷優(yōu)化其檢索與推理路徑。

• 檢索效率獎(jiǎng)勵(lì) ：借鑒信息檢索領(lǐng)域廣泛使用的 NDCG（Normalized Discounted Cumulative Gain）指標(biāo)，激勵(lì)模型優(yōu)先檢索相關(guān)度高的圖像內(nèi)容，快速構(gòu)建高質(zhì)量上下文；
• 模式一致性獎(jiǎng)勵(lì) ：確保模型遵循預(yù)設(shè)的推理邏輯路徑，避免因模式偏差導(dǎo)致生成結(jié)果偏離任務(wù)目標(biāo)；
• 生成質(zhì)量獎(jiǎng)勵(lì) ：通過(guò)評(píng)估模型對(duì)生成答案的質(zhì)量打分，引導(dǎo)模型輸出更準(zhǔn)確、連貫的答案。

這種多維度獎(jiǎng)勵(lì)機(jī)制實(shí)現(xiàn)了檢索與推理的雙向驅(qū)動(dòng)——高效的檢索為深入推理提供支撐，而推理反饋又進(jìn)一步指導(dǎo)模型優(yōu)化檢索策略，形成閉環(huán)優(yōu)化。

強(qiáng)化學(xué)習(xí)賦能多模態(tài)智能體訓(xùn)練

VRAG-RL 基于強(qiáng)化學(xué)習(xí)的訓(xùn)練策略，引入業(yè)界領(lǐng)先的 GRPO 算法，讓視覺(jué)語(yǔ)言模型（VLMs）在與搜索引擎的多輪交互中，持續(xù)優(yōu)化檢索與推理能力。同時(shí)，通過(guò)本地部署搜索引擎模擬真實(shí)世界應(yīng)用場(chǎng)景，實(shí)現(xiàn)搜索引擎調(diào)用零成本，模型訓(xùn)練更加高效。這種訓(xùn)練方式，不僅提升了模型的泛化能力，使其在不同領(lǐng)域、不同類型的視覺(jué)任務(wù)中都能表現(xiàn)出色，為多模態(tài)智能體的訓(xùn)練提供全新的解決方案。

實(shí)驗(yàn)分析

VRAG-RL 在各個(gè)基準(zhǔn)數(shù)據(jù)集上均取得了顯著優(yōu)于現(xiàn)有方法的性能，涵蓋了從單跳到多跳推理、從文本到圖表和布局等多種復(fù)雜的視覺(jué)和語(yǔ)言任務(wù)類型。實(shí)驗(yàn)結(jié)果表明，VRAG-RL 在處理視覺(jué)豐富信息時(shí)具有顯著的優(yōu)勢(shì)，能夠更有效地進(jìn)行檢索、推理和生成高質(zhì)量的答案。無(wú)論是在傳統(tǒng)的 prompt-based 方法（如 Vanilla RAG 和 ReAct RAG）還是在基于強(qiáng)化學(xué)習(xí)的方法（如 Search-R1）上，VRAG-RL 都展現(xiàn)出了顯著的性能提升。

在傳統(tǒng)的 RAG 方法中，模型通常在進(jìn)行一次或多次檢索后直接生成答案。然而，在處理復(fù)雜的視覺(jué)任務(wù)時(shí)，這種方法往往表現(xiàn)不佳，因?yàn)樗狈?duì)視覺(jué)信息的深入理解和多輪推理能力。

相比之下，我們的 VRAG-RL 方法支持多輪交互。具體來(lái)說(shuō)，通過(guò)定義視覺(jué)感知?jiǎng)幼骺臻g，VRAG-RL 能夠在推理階段逐步聚焦于信息密集區(qū)域，從而實(shí)現(xiàn)從粗到細(xì)的信息獲取。同時(shí)，該方法通過(guò)優(yōu)化檢索效率和推理路徑，在保持高效率的同時(shí)，顯著提升了模型在視覺(jué)任務(wù)上的性能。

未來(lái)展望

開(kāi)啟視覺(jué)感知驅(qū)動(dòng)多模態(tài)推理的新時(shí)代

VRAG-RL 為視覺(jué)豐富信息的檢索增強(qiáng)生成任務(wù)開(kāi)辟了新的道路。未來(lái)，研究團(tuán)隊(duì)計(jì)劃進(jìn)一步拓展模型的能力，引入更多模仿人類處理復(fù)雜信息的動(dòng)作，使模型能夠更深入地進(jìn)行思考。同時(shí)，團(tuán)隊(duì)還將致力于減少模型的幻覺(jué)現(xiàn)象，通過(guò)引入更先進(jìn)的模型架構(gòu)和訓(xùn)練方法，進(jìn)一步提高框架的準(zhǔn)確性和可靠性，推動(dòng)視覺(jué)語(yǔ)言模型在更多實(shí)際應(yīng)用場(chǎng)景中的落地與發(fā)展。