上海交大等团队开源Visual-ARFT赋予视觉语言模型智能体能力，支持多模态推理与工具调用

上海交大等研究团队提出 Visual-ARFT 方法，强化视觉语言模型的多模态智能体能力，使其能调用工具、编写代码完成复杂任务。团队构建 MAT-Bench 基准，评估模型多模态推理能力。实验表明，Visual-ARFT 在多项任务中超越 GPT-4o，展现出强大泛化能力。项目已全面开源，推动多模态智能体技术发展。
来源：https://mp.weixin.qq.com/s/sCS3qobzbZTV6ktsPHS6xQ