以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Multimodal agents use web and image tools to answer questions beyond their internal knowledge. Some search tasks use images mainly to identify an initial entity, then rely on text retrieval. These tasks offer limited insight into how agents connect information across images, objects, and search steps. We therefore focu
阅读原文 · ZhengXian Wu, Qianhao Nie, Zhuohong Chen, Junjie Gao, Yuyao Zhang, Yunyao Yu, Hangrui Xu, Cheng Cheng, Guiyu Ma, Jin Zhang, Xingzhong Xu, Kai Yang, Haoqian Wang
向阳乔木 · opencode-go/deepseek-v4.1-flash
多模态 Agent 做搜索，很多评测其实没测到点子上。 图像往往只用来认出“这是什么东西”，认完就转去纯文本检索。真正难的部分被绕开了：怎么在多张图、多个对象、多轮搜索之间把视觉线索串起来，最后拼出一个完整答案。 这篇论文就是冲这个缺口来的。它提出 VisSearch-Bench ，专门评测长程视觉搜索。如果你在做多模态 Agent、搜索增强或者视觉问答的产...