在信息爆炸的時(shí)代，我們?cè)缫蚜?xí)慣了遇到問(wèn)題就打開搜索引擎：想知道月球車項(xiàng)目何時(shí)取消，搜索；辨認(rèn)傳統(tǒng)戲曲種類，搜索；甚至連歷史戰(zhàn)役的細(xì)節(jié)，也能通過(guò)搜索找到答案。但你是否想過(guò)，我們寄予厚望的AI大模型，在面對(duì)這些問(wèn)題時(shí)可能會(huì)「瞎編」答案？最近，字節(jié)跳動(dòng)與新加坡南洋理工大學(xué)的研究員們帶來(lái)了一項(xiàng)突破性技術(shù)——MMSearch-R1，它讓大型多模態(tài)模型（LMMs）學(xué)會(huì)了像人類一樣「按需搜索」，徹底改變了AI處理未知信息的方式。

一、傳統(tǒng)AI的「知識(shí)短板」：為什么大模型會(huì)「胡說(shuō)八道」？

想象一下，你問(wèn)朋友：「NASA的VIPER月球車項(xiàng)目是哪一天取消的？」如果朋友不知道，他會(huì)誠(chéng)實(shí)地說(shuō)「不清楚」，或者主動(dòng)幫你查資料。但傳統(tǒng)的AI大模型可能會(huì)給出一個(gè)錯(cuò)誤的日期，比如「7月1日」，甚至編造出「未宣布取消」的答案——這種現(xiàn)象在AI領(lǐng)域被稱為「幻覺(jué)」（Hallucination）。

為什么會(huì)這樣？目前主流的大型多模態(tài)模型，比如GPT-4o、Qwen2.5-VL等，雖然通過(guò)海量數(shù)據(jù)訓(xùn)練獲得了強(qiáng)大的理解能力，但它們的知識(shí)儲(chǔ)備有兩個(gè)致命短板：

1. 靜態(tài)知識(shí)的局限性

這些模型就像一個(gè)「死記硬背的學(xué)霸」，所有知識(shí)都來(lái)自訓(xùn)練時(shí)輸入的數(shù)據(jù)。一旦遇到訓(xùn)練截止日期之后發(fā)生的事件（比如2024年7月17日取消的VIPER項(xiàng)目），或者非常冷門的知識(shí)（如某種罕見植物的學(xué)名），模型就會(huì)因?yàn)椤笡](méi)學(xué)過(guò)」而犯錯(cuò)。

2. 缺乏主動(dòng)搜索意識(shí)

即使知道自己知識(shí)不足，傳統(tǒng)模型也不會(huì)像人類一樣主動(dòng)「查資料」。例如，當(dāng)用戶展示一張京劇表演的圖片并詢問(wèn)「這是什么傳統(tǒng)藝術(shù)」時(shí)，模型可能因?yàn)閷?duì)戲曲服飾的識(shí)別偏差，錯(cuò)誤地回答「川劇」，而不是通過(guò)搜索圖片中的視覺(jué)特征來(lái)確認(rèn)是「京劇」。

3. 搜索效率低下

現(xiàn)有的檢索增強(qiáng)生成（RAG）方法，就像一個(gè)「笨學(xué)生」，不管問(wèn)題難不難，都要把所有資料翻一遍。這種「一刀切」的搜索方式不僅浪費(fèi)計(jì)算資源，還可能因?yàn)橐霟o(wú)關(guān)信息而降低答案準(zhǔn)確性。

二、MMSearch-R1的三大創(chuàng)新：讓AI成為「聰明的搜索者」

MMSearch-R1的核心目標(biāo)，是教會(huì)AI像人類一樣思考：先判斷自己是否知道答案，不知道就有策略地搜索，找到信息后再整合回答。為了實(shí)現(xiàn)這一點(diǎn)，研究員們?cè)O(shè)計(jì)了三大關(guān)鍵創(chuàng)新：

1. 強(qiáng)化學(xué)習(xí)「獎(jiǎng)懲機(jī)制」：訓(xùn)練AI學(xué)會(huì)「該搜才搜」

想象訓(xùn)練一只寵物狗，做對(duì)了動(dòng)作給零食，做錯(cuò)了輕輕批評(píng)。MMSearch-R1采用「群體相對(duì)策略優(yōu)化」（GRPO）算法，給模型設(shè)定了明確的「獎(jiǎng)懲規(guī)則」：

?正確且無(wú)需搜索：獎(jiǎng)勵(lì)1分（鼓勵(lì)利用內(nèi)部知識(shí)）

?正確但需要搜索：獎(jiǎng)勵(lì)0.9分（搜索會(huì)有輕微懲罰，避免濫用）

?格式錯(cuò)誤或答案錯(cuò)誤：獎(jiǎng)勵(lì)0分（強(qiáng)制規(guī)范行為）

這種機(jī)制讓模型逐漸學(xué)會(huì)「吝嗇搜索」：能靠?jī)?nèi)部知識(shí)回答的問(wèn)題絕不搜，必須搜索時(shí)才會(huì)調(diào)用工具。實(shí)驗(yàn)數(shù)據(jù)顯示，MMSearch-R1比傳統(tǒng)RAG方法減少了30%以上的搜索次數(shù)，但準(zhǔn)確率反而更高。

2. 多模態(tài)搜索「工具箱」：圖像與文本的雙重探索

MMSearch-R1為模型配備了兩件「搜索利器」，就像人類的眼睛和耳朵：

?圖像搜索工具：基于SerpAPI，能上傳圖片并返回視覺(jué)匹配的網(wǎng)頁(yè)（如通過(guò)月球車圖片找到VIPER項(xiàng)目相關(guān)信息）

?文本搜索工具：整合SerpAPI、Jina Reader和Qwen3-32B summarizer，能生成精準(zhǔn)查詢并提煉網(wǎng)頁(yè)內(nèi)容（如自動(dòng)生成「NASA Viper月球車項(xiàng)目取消時(shí)間」的搜索詞）

這兩件工具并非同時(shí)啟用，而是根據(jù)問(wèn)題類型智能選擇。例如，識(shí)別圖片中的建筑風(fēng)格時(shí)用圖像搜索，查詢建筑設(shè)計(jì)師時(shí)用文本搜索，實(shí)現(xiàn)了「對(duì)癥下藥」的高效搜索。

3. 動(dòng)態(tài)推理「三步曲」：思考-搜索-驗(yàn)證

MMSearch-R1的推理過(guò)程就像人類解決復(fù)雜問(wèn)題的步驟：

• 自我評(píng)估：先分析問(wèn)題和圖片，判斷是否具備足夠知識(shí)（如看到月球車圖片，先檢查內(nèi)部知識(shí)庫(kù)是否有VIPER項(xiàng)目信息）
• 按需搜索：若知識(shí)不足，選擇合適的搜索工具（圖像或文本），并生成精準(zhǔn)查詢（如「2024年NASA Viper項(xiàng)目取消日期」）
• 整合驗(yàn)證：將搜索結(jié)果與內(nèi)部知識(shí)結(jié)合，驗(yàn)證答案準(zhǔn)確性（如多個(gè)來(lái)源都提到7月17日，才確認(rèn)答案正確）

這種「三思而后行」的策略，讓模型避免了傳統(tǒng)RAG「盲目搜索」的弊端，也減少了「幻覺(jué)」的發(fā)生。

三、技術(shù)原理通俗解讀：從「死記硬背」到「靈活思考」

1. 如何判斷「是否需要搜索」？

MMSearch-R1通過(guò)訓(xùn)練讓模型學(xué)會(huì)「知識(shí)邊界感知」。這就像我們知道自己「英語(yǔ)好但數(shù)學(xué)差」，模型也能意識(shí)到「擅長(zhǎng)識(shí)別動(dòng)物但不了解航天事件」。研究員們構(gòu)建了一個(gè)包含「需搜索」和「無(wú)需搜索」問(wèn)題的平衡數(shù)據(jù)集（FVQA），讓模型在訓(xùn)練中學(xué)會(huì)區(qū)分兩類問(wèn)題。

例如，當(dāng)用戶問(wèn)「這是什么動(dòng)物」時(shí)，模型若能從圖片中識(shí)別出「樹懶」，就直接回答；若遇到罕見物種（如「袋鼬」），則會(huì)觸發(fā)搜索。這種能力來(lái)自于強(qiáng)化學(xué)習(xí)中的「搜索懲罰」機(jī)制——模型知道濫用搜索會(huì)被「扣分」，所以會(huì)優(yōu)先使用內(nèi)部知識(shí)。

2. 搜索工具如何「精準(zhǔn)定位」？

傳統(tǒng)RAG就像在圖書館漫無(wú)目的地翻書，而MMSearch-R1的搜索更像「帶著書單去圖書館」。以文本搜索為例：

?查詢生成：模型會(huì)根據(jù)問(wèn)題和圖像信息，生成最可能命中答案的查詢（如從月球車圖片中提取「VIPER」關(guān)鍵詞，生成「NASA VIPER cancellation date 2024」）

?結(jié)果篩選：通過(guò)Jina Reader解析網(wǎng)頁(yè)內(nèi)容，再用Qwen3-32B summarizer提煉關(guān)鍵信息，排除廣告、無(wú)關(guān)內(nèi)容等「噪音」

?多輪優(yōu)化：若首次搜索結(jié)果不明確，模型會(huì)調(diào)整查詢（如從「取消日期」改為「2024年7月NASA項(xiàng)目取消」），類似人類「換個(gè)說(shuō)法搜索」

3. 如何避免「搜索結(jié)果誤導(dǎo)」？

搜索結(jié)果本身可能存在錯(cuò)誤或過(guò)時(shí)信息，MMSearch-R1通過(guò)兩種方式保障可靠性：

?多源驗(yàn)證：優(yōu)先選擇多個(gè)來(lái)源一致的信息（如三個(gè)網(wǎng)頁(yè)都提到7月17日取消，才確認(rèn)答案）

?格式約束：要求模型在推理過(guò)程中明確說(shuō)明「為什么需要搜索」和「如何利用搜索結(jié)果」，便于人工或算法驗(yàn)證（如標(biāo)簽內(nèi)的思考過(guò)程）

四、實(shí)測(cè)效果：小模型超越大模型的「逆襲」

MMSearch-R1的實(shí)力如何？研究員們?cè)诙鄠€(gè)數(shù)據(jù)集上進(jìn)行了測(cè)試，結(jié)果令人驚訝：

1. 準(zhǔn)確率與效率的雙重提升

在知識(shí)密集型VQA任務(wù)中：

?MMSearch-R1-7B（70億參數(shù)）比同規(guī)模的Qwen2.5-VL-7B準(zhǔn)確率提升3%，搜索次數(shù)減少32.9%。

? 更驚人的是，它的表現(xiàn)接近甚至超越了規(guī)模大得多的Qwen2.5-VL-32B（320億參數(shù)），實(shí)現(xiàn)了「以小博大」。

2. 跨領(lǐng)域適應(yīng)性

無(wú)論是歷史事件識(shí)別（如「弗洛登戰(zhàn)役」）、科學(xué)知識(shí)問(wèn)答（如「蟹狀星云」），還是實(shí)時(shí)新聞查詢（如2024年的VIPER項(xiàng)目），MMSearch-R1都展現(xiàn)出穩(wěn)定的性能。在Out-of-Domain（領(lǐng)域外）任務(wù)中，它的搜索策略調(diào)整能力尤為突出，能快速適應(yīng)新領(lǐng)域的知識(shí)需求。

3. 「少即是多」的搜索哲學(xué)

傳統(tǒng)RAG方法為了追求準(zhǔn)確率，會(huì)對(duì)每個(gè)問(wèn)題都進(jìn)行圖像和文本兩次搜索（搜索率100%）。而MMSearch-R1通過(guò)智能判斷，將平均搜索率控制在67.1%，卻實(shí)現(xiàn)了更高的準(zhǔn)確率。這就像優(yōu)秀的學(xué)生不會(huì)盲目刷題，而是精準(zhǔn)攻克薄弱環(huán)節(jié)。

五、未來(lái)展望：AI助手的「進(jìn)化新階段」

MMSearch-R1的出現(xiàn)，標(biāo)志著AI從「被動(dòng)回答」向「主動(dòng)探索」邁出了關(guān)鍵一步。這項(xiàng)技術(shù)的潛在影響包括：

1. 更可靠的AI助手

未來(lái)的智能客服、醫(yī)療問(wèn)診AI、教育輔導(dǎo)工具等，將不再因知識(shí)局限而給出錯(cuò)誤答案。例如，當(dāng)用戶詢問(wèn)某種罕見疾病的治療方案時(shí)，AI會(huì)主動(dòng)搜索最新醫(yī)學(xué)文獻(xiàn)，而不是依賴過(guò)時(shí)的知識(shí)庫(kù)。

2. 多模態(tài)交互的普及

結(jié)合圖像、視頻的搜索能力，AI將能更好地理解視覺(jué)世界。例如，用戶拍攝一張古建筑照片問(wèn)「這是哪里」，AI不僅能識(shí)別建筑風(fēng)格，還能通過(guò)搜索地理位置信息，準(zhǔn)確回答「這是越南的順化古城」。

3. 降低AI應(yīng)用成本

減少不必要的搜索，意味著更低的計(jì)算資源消耗和更快的響應(yīng)速度。這對(duì)部署在手機(jī)、智能家居等終端的AI應(yīng)用尤為重要，讓高性能AI在邊緣設(shè)備上的運(yùn)行成為可能。

4. 倫理與安全的新挑戰(zhàn)

當(dāng)然，賦予AI主動(dòng)搜索能力也帶來(lái)了新的問(wèn)題：如何確保搜索內(nèi)容的客觀性？如何避免傳播錯(cuò)誤信息？研究員們已經(jīng)意識(shí)到這些挑戰(zhàn)，表示未來(lái)將探索「可信搜索」機(jī)制，如來(lái)源可信度評(píng)估、敏感信息過(guò)濾等。

六、結(jié)語(yǔ)：AI的「搜索腦」，人類的「好幫手」

從只會(huì)「死記硬背」到學(xué)會(huì)「按需搜索」，MMSearch-R1代表著AI技術(shù)的重要進(jìn)化。它不是簡(jiǎn)單地增加知識(shí)儲(chǔ)備，而是讓AI獲得了類似人類的「元認(rèn)知」能力——知道自己知道什么，不知道什么，以及如何獲取不知道的信息。

想象一下，未來(lái)的AI助手就像一個(gè)博學(xué)又謙遜的朋友：當(dāng)你問(wèn)「昨天的足球比賽結(jié)果」，它能快速回答；當(dāng)你展示一張模糊的老照片問(wèn)「這是哪場(chǎng)戰(zhàn)役」，它會(huì)先仔細(xì)觀察，然后精準(zhǔn)搜索，最后給出有根有據(jù)的答案。這種「知之為知之，不知為不知，且知如何求知」的能力，或許才是AI真正能成為人類「好幫手」的關(guān)鍵。

參考資料

1. 《MMSearch-R1: Incentivizing LMMs to Search》

? 作者：Jinming Wu, Zihao Deng, Wei Li 等

? 鏈接：https://arxiv.org/pdf/2506.20670

2. 《Qwen2.5-VL技術(shù)報(bào)告》

? 作者：Shuai Bai, Keqin Chen 等

? 鏈接：https://arxiv.org/pdf/2502.13923

3. 《Gemini: a family of highly capable multimodal models》

? 作者：Rohan Anil, Sebastian Borgeaud 等

? 鏈接：https://arxiv.org/pdf/2312.11805

本文轉(zhuǎn)載自??旺知識(shí)??，作者：旺知識(shí)