TL;DR

传统的 AI 浏览智能体（Browsing Agents）正在面临“视觉失算”的尴尬：它们在复杂网页上往往只读文字而无视图像证据。本文提出的 VisBrowse-Bench 填补了这一空白，通过 169 个极具挑战性的多步推理任务，证明了即使是顶级模型如 Claude-4.6 或 o3-deep-research，在真正需要“看图寻证”的视觉原生搜索任务中，胜率也不足 50%。

背景定位：从“读网页”到“看世界”

在 Deep Research 领域，当前的基准测试（如 MMSearch）大多将视觉信息视作搜索的“敲门砖”——只要给出一张图，模型通过反向搜图拿到一个关键词（实体名），后续就变成了纯文本搜索。这种 “视觉降级” 现象掩盖了模型在处理真实世界多模态信息时的无力感。

痛点深挖：为什么现有的 Agnet 还是“睁眼瞎”？

1. 过度依赖工具快捷键：许多模型遇到图片直接调用识别工具，缺乏对图像细节（颜色、空间关系、局部特征）的细粒度理解。
2. 推理链的单模态化：一旦进入搜索流程，现有的 Reasoning Path 几乎全部转化为文本处理，模型不再主动寻找网页中的视觉线索来验证答案。
3. 视觉证据的不可替代性：现实中很多问题的答案隐藏在图片与文字的相互校对中（例如：某品牌代言人在特定演唱会海报上的领带颜色），这无法通过纯文本摘要获取。

核心贡献：VisBrowse-Bench 与智能体工作流

1. 专家级数据设计

作者遵循“多模态信息整合”与“视觉能力强制调用”两大原则。每个问题都是一个多跳推理任务（至少 3 跳，且包含至少 2 个关键视觉证据块），涵盖媒体、生活、艺术、地理等 7 大领域。

2. 强大的 Agent 具身能力

为了让模型能动起来，作者设计了一套包含五种核心工具的闭环工作流：

• Text Search / Image Search: 获取广域信息。
• Reverse Image Search: 溯源图片背景。
• Image Crop (图像裁剪)：这是关键，通过局部放大（Zoom-in）解决细粒度识别问题。
• Webpage Visit: 结构化提取网页内容。

实验战绩：全线崩溃的 SOTA 们

在测试中，作者对比了闭源模型（Gemini, GPT, Claude, Kimi）与开源模型（Qwen3-VL）。

• 性能天花板：Claude-4.6-Opus 凭借其极其平衡的工具调用策略和强大的推理能力，以 47.6% 的准确率摘得桂冠。
• Deep Research 的局限：备受瞩目的 o3-deep-research 表现平平，仅有 41.1%，说明专门针对强逻辑优化的模型在多模态证据融合上仍有优化空间。
• 开源力量差距明显：Qwen3-VL-235B 仅有 14.2%，显示出开源社区在 Agent 复杂决策与多轮图像理解合并方面面临巨大挑战。

深度洞察：为什么 Kimi-K2.5 反超了 Gemini？

一个有趣的观察是，Kimi-K2.5 在加入图像搜索（+IS）后表现大幅提升（+19.5%）。根据工具使用分布图（Figure 5），Kimi 相比其他模型更倾向于频繁使用 image_search 工具。这种“主动探索视觉证据”的倾向使其在 VisBrowse-Bench 这种视觉导向的任务中占据了优势。

总结与局限性

VisBrowse-Bench 证明了当前 AI 距离真正的“多模态专家”还有很长的路要走。模型的局限性在于：

1. 视觉推理能力断层：即使找到了包含信息的图片，模型也常常由于无法进行精准的局部特征提取（如 Case Study 中领带颜色的识别失败）而功亏一篑。
2. 工具调用的盲目性：模型有时会陷入无效的循环调用，或在关键步骤忽略了应有的视觉验证。

未来展望：这项工作为多模态智能体的发展指明了方向——我们需要更先进的 RL 策略来训练模型在搜索过程中“时刻睁大双眼”，并在复杂的海量网页视觉信息中进行高效的价值锚定。