MindWatcher：面向更智能多模态工具集成推理
人工智能
2026-01-08 v2
摘要
传统的基于工作流程的智能体在解决需要工具调用的实际问题时表现有限。具备自主推理与工具调用能力的工具集成推理（TIR）智能体正快速成长为解决涉及多步骤与外部环境交互的复杂决策任务的强大方法。本文介绍MindWatcher，一种集成交错思考与多模态链律推理（CoT）的TIR智能体。MindWatcher能够自主决定是否及如何调用多样化工具并协调其使用，无需依赖人类提示或工作流程。交错思考范式使模型能够在推理的任意中间阶段在思考与工具调用之间切换，而其多模态CoT能力允许在推理过程中操作图像，以获得更精确的搜索结果。我们实现了自动化数据审计与评估管道，并构建了高质量数据集用于训练，同时构建了一个名为MindWatcher-Evaluate Bench（MWE-Bench）的基准用于评估其性能。MindWatcher配备了全面的辅助推理工具，使其能够解决广泛领域的多模态问题。一个大规模高质量的本地图像检索数据库，覆盖包括汽车、动物和植物等八个类别，使模型即便在规模较小的情况下也具备稳健的对象识别能力。最后，我们设计了更高效的训练基础设施以提升MindWatcher的训练速度与硬件利用率。实验表明，MindWatcher通过优异的工具调用方式，达到了或超过了更大或更近的模型的性能，同时揭示了智能体训练中的关键见解，如智能体强化学习中的基因遗传现象。
引用
@article{arxiv.2512.23412,
title = {MindWatcher: Toward Smarter Multimodal Tool-Integrated Reasoning},
author = {Jiawei Chen and Xintian Shen and Lihao Zheng and Zhenwei Shao and Handong Cui and Chaoqun Du and Li Gong and Feng Gu and Xuefeng Hao and Wei He and Jiabang He and Yi Hu and Bin Huang and Shanshan Li and Qizhen Li and Jing Luo and Zide Liu and Xiaobo Liu and Ning Mao and Lifu Mu and Xuhao Pan and Zhiheng Qu and Chang Ren and Xudong Rao and Haoyi Sun and Qian Wang and Shuai Wang and Zhichao Wang and Wei Wang and Lian Wen and Jiqing Zhan and Hongfu Yang and Sheng Yang and Jiajun Yang and Pengfei Yu and Hongyuan Zhang and Bin Zhang and Chunpeng Zhou and Zheng Zhou and Shucheng Zhou and Shuo Xie and Yun Zhu and Hao Ma and Tao Wei and Pan Zhou and Wei Chen},
journal= {arXiv preprint arXiv:2512.23412},
year = {2026}
}
备注
Technique Report