MC-Search: 基于结构化长推理链的多模态代理搜索评估与提升
人工智能
2026-03-03 v1
摘要
随着对逐步、跨模态和知识 grounding 推理需求的增长，多模态大语言模型（MLLMs）正发展超越传统的固定检索-生成范式，朝向更复杂的代理式多模态检索增强生成（MM-RAG）方向发展。然而，现有基准主要关注简化 QA 且检索链较短，留下了自适应规划和多模态推理的探索不足。我们提出 MC-Search，这是第一个针对代理式 MM-RAG 的基准，包含由五种代表性推理结构构成的长期、逐步标注推理链。每个示例指定子问题、检索模态、支持事实和中间答案，通过 HAVE（逐层归因与证据验证）确保保真度，形成 3,333 个高质量示例，平均 3.7 个推理步。除了答案准确度，MC-Search 引入了用于评估推理质量、逐步检索和规划准确性的过程级指标。通过构建统一的代理式 MM-RAG 管线，我们对六大领先 MLLMs 进行基准测试，揭示了系统性问题，如过度检索和欠检索以及模态错位的规划。最后，我们引入 Search-Align，一个基于验证推理链的过程监督微调框架，表明我们的数据不仅能够实现可靠评估，还能提升开源 MLLMs 中的规划和检索保真度。
引用
@article{arxiv.2603.00873,
title = {MC-Search: Evaluating and Enhancing Multimodal Agentic Search with Structured Long Reasoning Chains},
author = {Xuying Ning and Dongqi Fu and Tianxin Wei and Mengting Ai and Jiaru Zou and Ting-Wei Li and Hanghang Tong and Yada Zhu and Hendrik Hamann and Jingrui He},
journal= {arXiv preprint arXiv:2603.00873},
year = {2026}
}
备注
ICLR 2026