刚刚！阿里推出首个开源多模态深度研究Agent，四大VQA基准测试赶超GPT-4o

智东西
作者 李水青
编辑 云鹏

智东西8月15日消息，今日晚间，阿里宣布推出首个开源多模态深度研究智能体（Deep Research Agent）——WebWatcher。

市面上的深度研究工具层出不穷，但大多只能围绕文字进行搜索。WebWatcher的核心创新点在于配备了增强的视觉语言推理能力，能够图文结合思考并调用多种工具，从而使研究结果更深入。

比如，当用户要分析一张图片里的信息，WebWatcher能调用 “图片搜索” 找相关图和说明，用 “OCR” 提取图片里的文字，用 “文字搜索” 查背景知识，用 “网页访问” 看具体网页内容，用 “代码工具” 算数据等。