阿里推出首个开源多模态深度研究智能体WebWatcher

在科技领域不断创创新的背景下，阿里巴巴于2025年8月推出了WebWatcher，这是一款开源的多模态深度研究智能体，具有增强的视觉语言推理能力，旨在更深入地进行信息分析。

WebWatcher的创新能力

与传统的文字搜索工具不同，WebWatcher能够兼顾图像和文字信息进行综合分析，极大丰富了研究的深度和广度。它可以通过多个工具来获取和处理信息，包括图像搜索、OCR、文字搜索、网页访问和数据计算等。

在VQA基准测试中的表现

依据实验结果，WebWatcher在多个具有挑战性的视觉问答（VQA）基准测试中表现优异，超越了当前许多流行的多模态模型，如GPT-4o和Claude 3.7等，标志着其技术的先进性。

开发过程中的技术方案

WebWatcher的开发包括数据生成、推理轨迹构建等多个环节，旨在使智能体在艰难的多模态研究任务中能够展现出灵活的推理能力和多工具协作能力。

未来的发展方向

阿里巴巴在WebWatcher的开发中，也扩展了针对视觉-语言任务的新基准测试BrowseComp-VL，为复杂的多模态信息检索问题提供了有效的解决方案。这一超越将为未来的研究提供新的方向。

如有侵权，请联系删除。