HyperEyes: Двухгранулярное обучение с подкреплением, учитывающее эффективность, для параллельных мультимодальных поисковых агентов

HyperEyes: Dual-Grained Efficiency-Aware Reinforcement Learning for Parallel Multimodal Search Agents

May 8, 2026

Авторы: Guankai Li, Jiabin Chen, Yi Xu, Xichen Zhang, Yuan Lu

cs.AI

Аннотация

Существующие мультимодальные поисковые агенты обрабатывают целевые объекты последовательно, выполняя по одному вызову инструмента на объект и накапливая избыточные раунды взаимодействия всякий раз, когда запрос распадается на независимые подзапросы. Мы утверждаем, что эффективные мультимодальные агенты должны выполнять поиск шире, а не дольше: одновременно отправлять несколько обоснованных запросов в рамках одного раунда. Для этого мы представляем HyperEyes — параллельный мультимодальный поисковый агент, который объединяет визуальную привязку и извлечение в единое атомарное действие, обеспечивая одновременный поиск по нескольким объектам, при этом эффективность вывода рассматривается как первостепенная цель обучения. HyperEyes обучается в два этапа. Для холодного старта мы разрабатываем конвейер синтеза данных, пригодных для параллельной обработки, охватывающий визуальные запросы с несколькими объектами и текстовые запросы с несколькими ограничениями, и формируем траектории, ориентированные на эффективность, с помощью прогрессивной выборки с отклонением. На этой основе нашим основным вкладом является двухуровневая структура обучения с подкреплением, учитывающая эффективность, которая работает на двух уровнях. На макроуровне мы предлагаем TRACE (эталонно-адаптивная стоимость использования инструментов) — награду на уровне траектории, эталон которой монотонно ужесточается в процессе обучения для подавления избыточных вызовов инструментов без ограничения настоящего многошагового поиска. На микроуровне мы адаптируем внутриполитическую дистилляцию для внедрения плотных корректирующих сигналов на уровне токенов от внешнего учителя при неудачных развёртываниях, смягчая недостаток приписывания кредита, связанный с разреженными итоговыми наградами. Поскольку существующие эталоны оценивают только точность, игнорируя стоимость вывода, мы представляем IMEB — вручную отобранный эталон из 300 примеров, который совместно оценивает поисковую способность и эффективность. На шести эталонах HyperEyes-30B превосходит сильнейшего сопоставимого агента с открытым исходным кодом на 9,9% по точности при среднем числе раундов вызова инструментов в 5,3 раза меньше.

English

Existing multimodal search agents process target entities sequentially, issuing one tool call per entity and accumulating redundant interaction rounds whenever a query decomposes into independent sub-retrievals. We argue that effective multimodal agents should search wider rather than longer: dispatching multiple grounded queries concurrently within a round. To this end, we present HyperEyes, a parallel multimodal search agent that fuses visual grounding and retrieval into a single atomic action, enabling concurrent search across multiple entities while treating inference efficiency as a first-class training objective. HyperEyes is trained in two stages. For cold-start supervision, we develop a Parallel-Amenable Data Synthesis Pipeline covering visual multi-entity and textual multi-constraint queries, curating efficiency-oriented trajectories via Progressive Rejection Sampling. Building on this, our central contribution, a Dual-Grained Efficiency-Aware Reinforcement Learning framework, operates at two levels. At the macro level, we propose TRACE (Tool-use Reference-Adaptive Cost Efficiency), a trajectory-level reward whose reference is monotonically tightened during training to suppress superfluous tool calls without restricting genuine multi-hop search. At the micro level, we adapt On-Policy Distillation to inject dense token-level corrective signals from an external teacher on failed rollouts, mitigating the credit-assignment deficiency of sparse outcome rewards. Since existing benchmarks evaluate accuracy as the sole metric, omitting inference cost, we introduce IMEB, a human-curated benchmark of 300 instances that jointly evaluates search capability and efficiency. Across six benchmarks, HyperEyes-30B surpasses the strongest comparable open-source agent by 9.9% in accuracy with 5.3x fewer tool-call rounds on average.