OneSearch-VL × VAMR × Agentic-TTT：多模态智能体的证据、共享与自我进化三问

2026 年的多模态智能体研究，正在从「一个模型答一个问题」转向一个更接近真实部署的形态：模型面对的是一条流——一条视频带着十几个问题、一段查询流带着各色任务、一次部署里源源不断的新请求。本精读的三篇论文恰好从三个互补的角度回应这个母题：

论文一：OneSearch-VL: Unified Multimodal Deep Research Agent for Image and Video (arXiv 2610.12419) 代码：GitHub / HuggingFace 发表时间：2026 年 10 月 机构：北京航空航天大学 BUAA（第一单位，Si Liu 组通讯）+ 港中文 CUHK + 南洋理工 NTU + 清华 THU + 合肥工业大学 HFUT，纯高校五校联合，无企业参与；Manyuan Zhang 为项目负责人。覆盖数据引擎、模型训练、基准评测的系统性工作。 领域标签：多模态深度研究（Multimodal Deep Research）、智能体、cs.CL/cs.CV

论文二：VAMR: Multi-Question Agentic Reasoning for Efficient Long-Form Video Understanding (arXiv 2610.11171) 发表时间：2026 年 10 月（Preprint, Under review） 机构：中国科学技术大学 USTC（第一单位，Zhibo Chen 通讯）+ 腾讯 Tencent。高校学生企业实习合作的典型：一作 Runquan Gui 为科大博士生，工作在其腾讯实习期间完成——腾讯提供研究场景与工程资源，科大提供学术指导。 领域标签：长视频理解、视频智能体、cs.CV/cs.CL

论文三：Agentic-TTT: Training Test-time Policy for Test-time Training (arXiv 2610.12002) 发表时间：2026 年 10 月（cs.LG） 机构：新加坡国立大学 NUS AI Institute（Jiahao Lu、Mohan Kankanhalli 两位作者），单一高校小团队，作者仅两人。 领域标签：测试时训练 TTT、自我改进、cs.LG

三篇的互补关系可以一句话锚定：OneSearch-VL 解决「证据从哪里来、怎么被验证」（证据结构之问），VAMR 解决「多个问题如何共享一次探索」（共享状态之问），Agentic-TTT 解决「模型何时以及如何为自己训练新能力」（自我进化之问）。第一篇是数据与监督的基础设施，第二篇是推理时调度的重构，第三篇则把「学习」这件事本身交还给模型的部署时决策——三篇合起来，恰好是「智能体面对查询流」这一新范式的完整纵切面。

一、论文背景：从「是什么」讲起

多模态深度研究（Multimodal Deep Research）。普通的视觉问答（VQA）是「看图选答案」，而深度研究让模型像研究员一样工作：主动定位视觉线索（图中那辆车的车牌、视频第 14 秒出现的建筑）、调用外部检索（图搜、网页阅读）、再把证据组合成有出处的答案。它需要的不只是「看得懂」，还有「会查、会串」——例如「图中蓝色跑车制造商与刹车卡钳制造商的成立年份相差多少年」需要四次工具调用：裁剪车尾→图搜识别 Ford→裁剪卡钳→图搜识别 Brembo，再查两家公司的成立年份做减法。OpenSearch-VL（本文的直接前作）、WebWatcher、MMSearch-R1 等工作已证明这条路线可行，但它们都只针对单一输入类型——单图、或视频，没有一个策略同时学会三类输入的研究行为。这就是 OneSearch-VL 的出发点。

长视频多问题理解。一小时的视频（如 LVBench 平均 68.4 分钟/条）配 15 个问题是常态：内容审核要同时检测暴力、有害言论与敏感物体，自动驾驶要同时评估多个风险维度。但现有视频智能体（DVD、VideoARM、VideoHV-Agent）都是单问题循环：每个问题独立重启视频探索、独立构建记忆，n 个问题就把同一视频看 n 遍。一个为问题 A 检查过的片段可能恰好包含问题 B 的证据，但独立循环下这份观察无法复用——这是 VAMR 想填的效率与协同缺口。

测试时训练（TTT）。常规 LLM 部署后参数冻结，部署经验只改变上下文而不改变参数。TTT 把「用测试输入更新模型权重」搬进部署时：TTRL 用多数投票伪标签做强化学习、SEAL 从自生成编辑中蒸馏适配器、TTT-FS 把少样本示例转成适配器。这些方法在预设场景战绩辉煌（AlphaProof 拿 IMO 银牌），但有个未被触碰的前提：部署者已经知道要学什么能力、用什么方法学。开放世界里查询异构且不可预知，用错 TTT 方法轻则浪费算力、重则伤害模型——AlphaProof 的银牌方法套在医学问答上可能负增益。参数级自我改进因此需要「代理权」（agency）：模型得自己决定何时值得训练、选哪种算法、以及已有技能能否复用。这是 Agentic-TTT 的问题意识，其思想源头可追溯到 1945 年冯·诺依曼的存储程序架构与图灵「让机器修改自身指令以从经验中学习」的论断。

共同的背景张力。三篇论文共享同一个时代背景：模型能力增长从「预训练一次定终身」转向「部署中持续演化」，而演化的对象各不相同——OneSearch-VL 演化的是证据组织方式（训练时的数据基础设施），VAMR 演化的是推理组织方式（一次探索服务多个问题），Agentic-TTT 演化的是参数本身（部署时学新技能）。

二、论文定位和关联工作

OneSearch-VL：多模态研究的「结构化证据」谱系

定位结论：OneSearch-VL 是首个用单一证据结构（VGEG）同时驱动数据构造、RL 过程监督与操作级评测的统一多模态深度研究框架，其增量不在某个单点算法，而在「一套结构贯穿全流程」的系统性设计。

VAMR：从「单问题智能体」到「多问题共享轨迹」

定位结论：VAMR 是首个在共享轨迹内协调多问题推理的视频智能体，其 QHPO 是首个针对「多问题不同轮终止」这一异步信用分配结构设计的策略优化算法。

Agentic-TTT：TTT 从「固定程序」到「可学习的决策」

定位结论：Agentic-TTT 把 TTT 从固定适应程序重构为可学习的代理决策问题，是「学习如何自我改进」方向的代表性一步——它不与五种 TTT 方法竞争，而是学会调度它们。

三、问题定义

三篇论文面对的具体场景不同，但抽象后共享同一个深层结构：把「一次性任务」重构为「流上的序贯决策」。

OneSearch-VL 的形式化。给定视觉输入 X（单图 I、图像集合 {I₁…I_K} 或视频 V）与问题 q，学习统一策略 π_θ 在每步 t 基于交互历史 h_t 生成动作 a_t =（推理 z_t，工具调用或最终回答 c_t），工具产生观察 o_t（裁剪区域、视频帧、识别文本、检索信息）。三类输入共享同一「动作-观察」协议，仅输入类型决定可用工具集：图像类开放视觉增强工具（Crop/OCR/透视矫正/超分/锐化）+ 检索工具（图搜/文搜），视频额外开放时序工具（选时间跨度/选帧）。问题的本质是：如何让「视觉定位→外部检索→事实组合」这条共享工作流被一个策略统一学习，且每一步的证据依赖可验证。

VAMR 的形式化。设视频 V 与多选题集 Q = {q₁…qₙ}。独立循环下每个问题有自己的私有记忆 m_i 与策略，一条视频要跑 n 条轨迹。VAMR 的关键重构是共享循环：维护单一策略与单一记忆 M_t，暴露活跃问题窗口 B_t ⊆ Q（其余进后备队列），每轮输出联合动作 a_t ⊆ {answer(ŷ_i), visual-inspector(V_[l,r]), ASR(V_[l,r])}——一轮可以同时提交多个答案和发起多个工具调用。问题在证据充分时异步离开窗口、由后备补充，循环持续到全部问题解决。优化目标仍是平均准确率，但决策结构从「问题→轨迹」变成「问题集→轨迹」。精妙之处在于：这不是简单的批处理规则，而是把跨问题协调内化为策略轨迹的一部分——策略必须学会在联合动作空间中权衡「哪些问题现在答、为哪些问题取证据」。

Agentic-TTT 的形式化。给定测试查询流 x₁…x_T，环境维护适应池 P_t（存同类查询及附带材料）与技能库 L_t（LoRA 适配器 + 自然语言能力描述），构成跨查询状态 S_t = (L_t, P_t)。策略在每轮从四个原语动作中选择：ASSIGN（把当前查询归档进池）、ADAPT（对池跑某个 TTT 方法产出技能）、LOAD（挂载已有技能）、GENERATE（生成最终答案并终止）。回报定义为基模型相对回报：R(τ_t) = [U(τ_t) − U(τ_GENERATE)] − λ[C(τ_t) − C(τ_GENERATE)]——一条轨迹只有当效用提升超过额外计算成本时才是正回报。目标是最大化查询流上的累计回报。这个定义的精妙之处在于基线锚定：不问「答案好不好」，而问「比冻结基模型直接答好多少、值不值这个算力」。

三篇的抽象共性可以用一张表呈现：

四、问题解法

OneSearch-VL：VGEG 中心的数据引擎与双维奖励

类比：VGEG 之于多模态研究，就像菜谱之于烹饪——不只记录食材（事实）和成品（答案），还记录每样食材从哪个市场来（视觉锚点→实体）、经哪几道工序组合（操作依赖）。有了菜谱，学徒（模型）的每一步都能对着检查。

数据引擎五阶段（从 250 万原始视频到训练数据）：

1. 视觉源筛选：从 2.5M YouTube 视频记录起步，经上传日期过滤（≥2023.1.1，剩 1.3M）→元数据粗筛（实体/事件线索评分，剩 378k）→类目平衡与排除（保留 12 类、排除音乐/教育等低可搜索实体类目，剩 128k）→GPT-4.1 片段 LLM 筛（剩 72k）→时长平衡（最终 70k）。
2. 密集视觉锚点发现：2 FPS 采样、10 帧一剪辑，Seed 2.0 Pro 生成剪辑/关键帧描述；Qwen3-VL-Embedding-8B 做跨剪辑帧去重（图像相似度 ≥0.9 或文本相似度 ≥0.8 即删）；相邻语义相关剪辑聚合成事件；Qwen3-VL-30B-A3B 定位可搜索物体（记录名称+归一化边界框）。产出「视频→事件→关键帧→定位物体」的密集描述树。
3. Web 证据图构建：物体分组后经图搜或 OCR 路由连接外部知识，候选身份经视觉上下文与检索源双重验证，抽取带 URL 与证据引文的事实五元组 f=(u,r,z,p,ξ)，可迭代扩展（后继置信度 ≥0.5 才继续）。产出输入级证据图 G_X。
4. VGEG 任务构造：任务条件投影 Φ_i 从 G_X 选取所需锚点与事实，增强显式答案生成操作，得 Γ_i = (A_i, F_i, O_i, R_i)——锚点、来源支持事实、操作、依赖关系四元组。经 QA 验证器（规则+模型重答核验）、视觉实体模糊重写（把「Golden Retriever」改写成「穿格子衬衫男孩抱的狗」防泄漏）、质量过滤（含纯文本探针：不看图能答上的题目淘汰）。
5. 专家轨迹合成：Seed 2.0 Pro 在真实工具环境中解题，GPT-4o 判答案正确性+过程质量（至少一次有效工具调用、逻辑一致、无无效重复），双过筛的轨迹进入 SFT-110K（36k 单图+37k 多图+35k 视频）。RL 数据 RL-10K（3.7k/2.8k/3.6k）用 8 次独立 rollout 保留 0<正确数<8 的任务（全对太难、全错无梯度信号）。

训练与 EVGR 奖励。SFT 采用策略 token 掩码（只对模型生成的推理/工具命令/回答算损失，工具观察仅作条件上下文），64 张 H800 训 4 天。工具套件按输入类型分层开放：

所有工具共享统一 dispatcher 与观察格式，裁剪/增强结果注册为新资源句柄可被后续调用链式复用（选帧→裁剪→OCR→图搜）。这一统一接口让专家轨迹合成、RL 在线 rollout 与推理共享同一环境——是「一套结构贯穿全流程」在工程侧的落地。

RL 用 GRPO，奖励 = 格式门控 ×（0.6·答案正确 + 0.2·查询质量 + 0.2·EVGR）。EVGR（证据感知视觉接地评分奖励） 是核心创新：从 VGEG 注释导出结构化 rubric（答案核心实体、必需事实跳数、支持来源与片段、帧/区域标注），两个独立判别调用分别评估——证据可追溯性 r_trace（工具观察是否建立了答案核心实体与事实跳、推理是否跟随观察而无未支持替换）与视觉接地 r_ground（正确的可见实体/区域/帧是否被识别并驱动后续检索），各自 0-1 打分（1.00/0.75/0.50/0.25/0.00 五档锚定标准）。关键设计：rubric 显式不奖励冗长、流畅但无支持的推理、无效工具调用或仅碰巧答对。

VAMR：共享循环、QA-inspector 与 QHPO

类比：独立循环像给每个问题各派一名调查员各自看一遍监控录像；VAMR 像一个调查组同时带着所有案卷看录像——看到任何片段，相关案卷立刻记录线索，办结的案卷移走、新案卷补进来，组里始终保留一份共享的「录像故事」。

三个架构组件：

1. 共享循环与活跃窗口：窗口容量 5 题，回合预算 max(12, 4|Q|)，每回合至多 6 次工具调用。联合动作可含多个答案提交与多个工具调用；答案被接受后该题离开窗口、记忆整合、后备队列按序补充——新问题继承累积的共享故事但带着自己的空白线索记忆进场。
2. QA-inspector（问题条件化感知）：普通视觉检查器输出通用片段描述；QA-inspector 接收策略选定的目标问题集 {(q_i, A_i)}，一次调用返回共享摘要 g_t 与每题专属证据 {e_i}。设计双重价值：条件化使检索从「泛泛描述」转向「能区分候选答案的细粒度线索」；一次调用服务多题实现跨问题复用。细粒度版本可重访已定位的 ≤30 秒区间处理高分辨率帧。
3. 分层多问题记忆 M_t = (G_t, {E_i}, T_t)：共享故事层 G_t 是时间锚定的可复用视频叙述；问题线索层为每个活跃问题保留独立证据记忆；观察缓冲 T_t 暂存最新输出待整合。答案被接受时：可复用内容并入 G_t、问题专属线索路由到对应 E_i、已完成问题的线索记忆丢弃、缓冲清空。

两阶段训练。SFT 用两阶段构造（解决特权信息泄漏）：第一阶段把正确答案与标注证据区间喂给教师（Qwen3-VL-32B）选定联合动作（哪些答案可提交、为哪些未解题检索哪个窗口），第二阶段移除特权信息、让教师仅从公开状态为已定动作生成推理轨迹——最终样本 (B_t, M_t)→(z*, a*) 中特权信息只引导动作选择而不进入策略输入。QHPO（问题视界策略优化）解决共享轨迹的信用分配难题：

• 问题级 critic：共享状态下不同问题成功概率不同，单一轮级价值无法区分学习信号。V_ϕ(B_t, M_t, q_i) ∈ (0,1) 为每个活跃问题独立估值，交叉熵训练。
• 逐问题 GAE：对每个问题在其活跃轮次上用其 critic 值与终端奖励计算优势 A_{t,i}。
• 回合对齐：识别联合动作直接服务某问题的轮次（针对性视觉调用或其答案提交），只在这些对齐轮次保留该问题的优势——防止问题 A 的结果去更新只为问题 B 服务的轮次。轮级优势 A_t = 对齐问题优势的平均。
• PPO 更新：标准裁剪 PPO 作用于轮级动作序列。Actor 是 rank-64 LoRA（scale 128，lr 1e-6），critic 挂在策略特征上（sigmoid 头，lr 1e-4），KL 系数 0.02 对冻结 SFT 策略。

Agentic-TTT：把 TTT 变成动作、把技能库变成环境

类比：五种 TTT 方法像药房里五种药，各治不同的病；Agentic-TTT 学的是一位坐诊医生——看病历（查询+技能库快照）决定「不用药直接处理（GENERATE）」「开已有的药（LOAD）」还是「配制新药（ASSIGN+ADAPT）」，且诊费（算力）计入处方决策。

执行环境。技能库中每个技能 = 样本池 + 至多一个 LoRA 适配器；池名由查询类型前缀+描述符构成（如 mcq-medical-4opt）。批量方法有样本下限（TTRL 首次适应需 16 样本），低于下限时策略只能缓冲样本暂用基模型作答。增量再适应在现有适配器上热启动，用新样本+至多 8 条回放样本训练后替换。每查询至多 6 个策略轮与 1 次成功适应；检索用语义嵌入+BM25 混合排序呈现 top-8 相关池。关键分离：策略上下文与答案生成上下文完全隔离——生成最终答案时禁用策略 LoRA，答案上下文只含原始查询（排除策略推理与观察），挂载的技能 LoRA 才是影响答案的唯一参数。

两阶段训练：

1. 引导蒸馏策略学习（解冷启动）：启发式规则提议轮级金动作，经实测 TTT 评估确认有益后保留；采集时初始策略在提示引导下自己采样推理与动作，仅当动作与金动作一致才保留——推理是 on-policy 自产的而非强加教师风格。损失按角色加权：ω_z=1（推理 token）、ω_a=4（动作 token），因为动作块格式生僻且稀疏，均匀平均会被长推理稀释信号。
2. 结果驱动 RL：流式环境中每个 epoch 重置技能库与池、按先序约束重排查询；到达训练事件时快照状态、独立采样 G=8 条完整轨迹（提供同状态局部反事实），评估优化后回滚，训练流本身按标注金动作推进（部署时策略自主推进）。奖励 = ΔU − λ·ΔC − λ_inv·P_inv：效用增量相对直接作答、计算成本增量（按方法归一化 FLOPs）、无效动作分级惩罚（每次拒绝 +0.5、封顶 2.0、λ_inv=0.15——为无效动作提供稠密信号而不淹没效用信号）。用 Dr.GRPO 的组均值中心优势（不做标准差归一化以保留回报差异量级）+ KL 正则。TTT 适应昂贵，相同配置缓存三次实测均值复用。单张 H200 约 11 GPU 时完成一次训练。

五、评估指标与实验证据

OneSearch-VL：操作级分解的评测体系

评测配置：基模型 Qwen3-VL-8B-Instruct；7 个单图基准（SimpleVQA/VDR/MMSearch/LiveVQA/BrowseComp-VL/FVQA/InfoSeek）+ 自建 OneSearch-MI-Bench（301 题）/OneSearch-Video-Bench（307 题）+ VideoDR；GPT-4o 二元判分。自建基准按 6 类研究操作组织题目（题目归类依据其 VGEG 的最终答案生成操作而非视觉内容）：单锚点查找 53 题、多跳检索 95 题、知识条件计数 118 题、多锚点连接 110 题、多锚点算术 106 题、多锚点比较 126 题——五种组合类占 91.3%，多图题均含 2-8 张图（均值 3.05）。结构难度分 d = 10w(s)+h+0.1|F|（操作权重×推理跳数×事实数）划分易/中/难。

主结果：

操作级分解显示增益集中在组合操作：多图任务的知识条件计数/多锚点算术/比较分别 +29.8/+26.3/+22.5 点，视频任务的多跳检索/算术/连接 +25.5/+20.0/+19.2 点——这些正是数据引擎 VGEG 覆盖的组合操作类型，说明增益来源与训练数据结构对齐。

消融（六基准平均）：SFT 数据混合——任何单类型训练 51.7-55.1，三类联合 55.8 且三项单图基准最佳，证明三类轨迹互补而非互相挤占；RL 奖励——仅准确率 56.3→+查询质量 57.3→+Trace 59.0 / +Ground 59.3→全奖励 61.1（EVGR 双维各贡献独立增益，联合再加 1.8-2.1 点）。奖励消融明细：

值得注意的是单加 Ground（59.3）略优于单加 Trace（59.0）但两者不可互相替代——联合才到 61.1，说明「视觉侧用对了图」与「文本侧查证了事实」是两个独立且互补的监督通道。

VAMR：准确率与效率的双指标体系

评测配置：训练仅用 CG-Bench（SFT 5,775 / QHPO 6,001 题例，按视频切分）；评测 LVBench（103 视频、1,549 题、均 68.4 分钟、15.04 题/视频——最高密度最长视频）/ Video-Holmes（270 视频、2.8 分钟均长、6.80 题/视频）/ LongVideoBench（753 视频、7.9 分钟、1.78 题/视频——低密度）。指标三元组：准确率 + Rounds/Q（每问题有效推理轮数，联合轮可服务多题故可低于 1）+ Frames/Q（感知模型处理帧数，重复处理重复计）。统一评测协议下复现所有基线，3 种子报均值±标准差。

主结果：

LVBench 上 VAMR 超 VideoARM 4.3 点的同时轮数降 85.9%、帧数降 61.4%；超同预算独立循环对照 5.7 点（轮数 4.1→0.9）——准确率与效率同向提升，直接证明共享循环优于逐题独立求解。三个基准全部拿下最高准确率+最少轮数。原生模型配置下（OpenAI o3+GPT-4.1）VAMR 免训版 LVBench 80.4，仍高于 VideoARM 原生 79.7。

消融：架构（Qwen3.5-9B 统一对照）——独立循环 45.2/4.8 轮 → 裸共享循环 49.6/1.6 轮（共享拓扑贡献主要效率增益）→ +QA-inspector 53.9（架构最大单项）→ +分层记忆 52.3 → 完整架构 56.8/1.3 轮；训练——骨干 56.8 → SFT 57.9/0.8 轮 → PPO 58.7 → QHPO 无对齐 60.0 → QHPO 完整 62.1（超 PPO 3.4 点，问题级价值+2.1 点来自回合对齐）。

受控分析：问题密度扩展（固定 768 题只改每循环题数）——1 题 58.1/219.2 帧 → 16 题 62.8/87.7 帧，密度越高准确率越高帧数越少；证据重叠四分位——最低重叠组（问答证据仅 1.4% 对重叠）VAMR 仍 +7.0 点、帧数降 63.4%，排除「增益靠证据重叠」的替代解释，支持「渐进细化共享理解」机制。

Agentic-TTT：效用、算力权衡与泛化三线证据

评测配置：8 域 11 基准族（MATH-500/AMC/AIME、LiveCodeBench v5/v6/MBPP、BBH、ARC、LSAT-AR、MedMCQA、SQuAD、InfiniteBench-LongBook）；训练 229 查询（引导蒸馏 2,072 轮级样本/RL 187 输入流）、测试 176 题固定顺序流从空技能库起步；二元任务自动验证器均分效用；3 次独立训练报均值±标准差。基线：直接作答、提示版（同 prompt 无训练）、语义路由（嵌入检索选方法）、三种固定方法（Always-TLM/SEAL/TTRL）、SFT-only、Oracle（标注金动作）。

主结果（Qwen2.5-7B）：

帮助/伤害比约 20:1（141 题翻正 vs 7 题翻错）；技能复用上 100 题用已建技能（61 帮 1 伤），构建成本被摊销。

算力权衡：计算惩罚 λ_comp 从 0→0.4，直接作答率 11.8%→39.8% 单调上升、归一化适应算力 1375.5→886.9（降 35.5%）；适度惩罚（0.1/0.2）算力省约 30% 且效用反超 λ=0——无成本约束时策略会过度使用 TTT。方法级再分配：TTRL 调用 21.3→11.7 近乎减半（高成本低增益）、TLM 略增——收益感知的算力分配而非均匀压缩。

泛化：G1（Code/General/Logic 训练）与 G2（Math/Grid/Medical 训练）在彼此未见域上增益与见过域相当，G1 在完全未见的 Grid Puzzles 上增益最大；G3（六域并训）在全员未见的 Passage/LongBook 上表现最佳——学到了 TTT 决策的可迁移原则而非源特定动作模式。跨模型家族（Qwen-7B +0.254 / Llama-8B +0.136 / GLM-9B +0.142）与规模（Qwen-14B 0.432→0.621，+0.189）均保持增益，但 Llama/GLM 在部分域出现负增益，暴露「策略未总能学会在该放弃时放弃」的校准缺口。

诚实声明（原文 B.2 节）：基准刻意富集了筛查中显现 TTT 益处的查询（约 65%，对照完整 MATH-500 仅 7% 高增益），报告的是这一策展设定下的上限刻画而非源分布期望增益——这一限制被作者显式标注。

六、效果优势的根源解释

根源机制与证据链

OneSearch-VL 的因果链：

1. 方法差异：前作结构（感知-知识链、事实 rubric、证据图）不联合保留「定位视觉锚点→实体关系→来源支持事实→答案组合操作」的端到端依赖；视频管线把实体/关键帧仅当检索种子。
2. 机制变化：VGEG 把这条依赖链做成显式共享结构后，(a) 任务构造时可以程序化验证「事实必需且被来源支持、答案可从证据恢复」（QA 验证器重答核验）；(b) RL 时 rubric 从同一结构导出，奖励直接评估「证据是否被建立并使用」而非仅终端答案对错；(c) 评测时按操作归类可定位失败模式。
3. 指标对应：EVGR 消融（56.3→61.1，Trace/Ground 各自独立贡献）支持 (b)；操作级增益集中在与数据结构对齐的组合操作（知识条件计数 +29.8 等）支持 (a)；联合训练 55.8>单类型 51.7-55.1 支持统一动作空间下三类轨迹的表征互补（论文实验支持）。
4. 反事实：去掉 VGEG 衍生的双维奖励仅留答案+查询奖励，平均掉 3.8 点——过程监督的必要性得到消融级证明。

需标注：8B 模型超 GPT-5（RAG）等闭源旗舰的对比受工具环境与判分协议影响，论文未提供闭源模型在同等工具接入下的完全对齐复现，该结论应视为「开源配方在统一协议下的竞争力」而非绝对优势（阅读者推断）。

VAMR 的因果链：

1. 方法差异：独立循环下每个问题私有记忆、私有探索，观察不可复用、问题间无联合指导。
2. 机制变化：共享循环使 (a) 每次工具调用的观察进入持久共享状态（一次检索多题受益——Frames/Q 84.9 vs 224.0 的直接来源）；(b) 联合动作允许「先答有把握的、继续为无把握的取证据」的轮内调度；(c) 分层记忆把可复用叙事与问题专属线索分离，新问题继承故事而不继承无关线索。
3. 指标对应：架构消融中裸共享循环（无任何专用组件）已把轮数从 4.8 压到 1.6、帧数从 210.7 压到 98.7 且准确率 +4.4——共享拓扑本身是效率增益的主因（论文实验支持）；密度扩展实验（1→16 题，准确率 58.1→62.8）显示准确率也随协调规模上升，机制假设是「渐进细化的共享理解让后续问题受益于更完整的视频表征」（论文分析支持，深层机制为合理推测）。
4. 替代解释排除：证据重叠分析是本文最漂亮的实验设计——如果增益只是「不同题恰好看同一段」，最低重叠四分位（1.4%）应无增益；实测 +7.0 点排除了这一解释，支持共享理解机制（论文实验支持）。QHPO 增益（超 PPO 3.4 点）来自问题级估值区分了不同问题的成功概率+回合对齐防止跨问题信用污染，两者各有消融支持（+1.3 与 +2.1 点）。

Agentic-TTT 的因果链：

1. 方法差异：固定 TTT 方法各自假设自己的适用域；提示/嵌入路由只有浅层相似度信号，无结果反馈。
2. 机制变化：(a) 基模型相对回报把「值不值」内化为每次决策的目标（Always-SEAL 在 Math −0.368 的失败模式被策略规避——Math 域策略增益 +0.175）；(b) RL 在同一状态快照上采样 8 条轨迹提供局部反事实，直接学到「此情此景哪种动作有正回报」；(c) 技能库作为演化环境使早期构建成本被后续复用摊销（100 次复用 61 帮 1 伤）。
3. 指标对应：SFT(0.375)→RL(0.510) 的 13.5 点增量支持 (b)——蒸馏只给行为先验，结果反馈才校准决策；λ_comp 实验中适度惩罚反超无惩罚支持 (a)——无成本项时策略过度适应，说明「值不值」的判断必须显式进入目标而非隐式期望。
4. 边界条件（论文自己标注）：基准富集有益查询（65% vs 源分布 7%），有益适应稀少的分布上增益会收窄；Llama/GLM 部分域负增益说明策略的放弃决策仍欠校准；RL 阶段跨查询信用分配未解决（训练流按金动作推进，与自主部署存在曝光偏差）。

相关工作检索与对照

围绕三条关键机制做外部检索（anysearch，2026-10-11）：

在本次检索范围内未发现针对「多问题共享轨迹视频智能体」的同期直接竞争工作（VAMR 自称首个，检索未见反例）；「结构化证据图同时驱动数据+奖励+评测」的一体化设计亦未见先例（SearchEyes/STAMP 各覆盖一部分）。

综合判断与未决问题

多项研究共同支持的机制：(1) 过程/结构化监督优于纯结果监督——OneSearch-VL 的 EVGR 消融、ProMM-SearchAgent、StepSearch 三线汇合；(2) 共享持久状态摊销重复计算——VAMR 的帧数下降、Agentic-TTT 的技能复用、MR.Video 的共享表示互证；(3) 结果驱动的 RL 能校准「何时行动」的决策——VAMR 的 QHPO 与 Agentic-TTT 的 RL 阶段各自在自己动作空间验证。

仍属推测的机制：VAMR 中「共享理解本身提升准确率」的深层表征机制（论文只证明了相关性与排除替代解释，密度实验的因果链是合理推测）；OneSearch-VL 中三类输入联合训练产生正迁移的表征层机制（论文给了行为级证据 55.8>51.7-55.1，机制未探针）。

优势成立条件与失效条件：VAMR 在极低问题密度（1.78 题/视频）下增益收窄至 1.4 点——多问题协调的前提是问题密度存在；Agentic-TTT 在有益适应稀少的分布上优势可能消失（作者自证源分布仅 7% 高增益）、更强基座的校准更难（Qwen-14B 两个域负增益）；OneSearch-VL 依赖外部搜索工具与网页可用性（作者在限制一节自陈），网页漂移影响可复现性。

七、必要知识反推

假设一个没有任何背景的人要复现这三项工作，最少必须掌握什么？

领域知识层：

• 多模态智能体的工具环境设计（论文一）：必须理解 ReAct 式动作-观察循环、资源句柄注册（裁剪结果可再被裁剪/OCR/图搜的链式组合）、以及工具观察作为条件上下文而非监督目标的训练语义——不理解掩码机制就无法正确实现 SFT 损失。三篇共享这一层：VAMR 的 QA-inspector/ASR、Agentic-TTT 的四原语动作都是同一「工具化能力」思想的不同实例。
• 长视频的结构化表示（论文二）：视频→事件→关键帧→物体的层级、时间区间运算（半开区间切片、证据区间交集）、帧采样的计算成本模型——没有这些就无法设计 Frames/Q 这类诚实的效率指标。
• TTT 方法族谱（论文三）：五种方法的适应信号（执行反馈/少样本重构/多数投票/自编辑/困惑度）、各自输入要求与样本下限——不知道每种药治什么病就无从设计调度决策。

方法论知识层：

• GRPO/PPO 族策略优化：三篇全部落脚于组相对策略优化或其变体（GRPO+fatal-aware、PPO+回合对齐、Dr.GRPO 均值中心）。必须理解组内基线、裁剪目标、KL 正则、以及「策略 token 与环境 token 的损失分离」。
• 信用分配设计：这是三篇共同的方法论内核——OneSearch-VL 用 rubric 把奖励对齐到证据使用、VAMR 用问题×轮对齐矩阵、Agentic-TTT 用基模型相对回报+无效动作惩罚。理解「奖励应该对齐到什么单元」比会写 PPO 循环更本质。
• 蒸馏与特权信息处理：VAMR 的两阶段 SFT（特权选动作、公开生成推理）与 Agentic-TTT 的引导蒸馏（提示引导 on-policy 采样）都是「用金信息构造数据但不让它泄漏进输入」的同一技巧——这是冷启动的标准武器。

工程知识层：

• 大规模异构训练基础设施（论文一）：64 张 H800 的全参微调（冻结视觉塔）+ 32 张 H800 的 SGLang 异步 rollout + Megatron-LM 并行——工具环境在数据合成、RL、推理三处共享同一 dispatcher 是可复现性的关键工程决策。
• 评测协议的统一与诚实记账（论文二/三）：VAMR 对所有基线统一「同题同分规则同效率记账」、Agentic-TTT 显式声明基准富集偏差——不理解评测公平性就复现不出可信对比。
• 成本建模（论文三）：把 TTT 适应成本按 FLOPs 归一化到「直接答一次」的单位、λ_comp 折算进训练目标与数据保留决策——没有成本模型就没有权衡实验。

知识融合的关键节点：三篇论文的最小知识集在两个节点上发生化学反应。节点一是**「把 X 变成动作」：OneSearch-VL 把视觉操作变成统一动作空间、VAMR 把多题答案提交变成联合动作、Agentic-TTT 把 TTT 过程本身变成四原语——同一个「能力工具化」洞察在三个粒度上落地。节点二是「把 Y 变成可验证结构」**：VGEG 让证据依赖可程序化检查、分层记忆让证据归属可路由、基模型相对回报让「值不值」可计算——三者都是把模糊的评价标准变成显式数据结构，这正是从「炼丹」走向「工程」的分水岭。

八、论文中可以提取的通用性灵感

灵感一：把评价标准做成显式结构，让同一结构贯穿生成、监督与评测。OneSearch-VL 的 VGEG 同时服务数据构造（可验证的任务生成）、过程监督（EVGR rubric）与评测（操作级归类），一处定义三处受益。论文证据：EVGR 消融 +3.8 点、操作级增益与数据结构对齐（+29.8 点落在知识条件计数上）。推广场景：代码生成的依赖图（同时驱动测试生成、RL 奖励、错误归类）；教育领域的能力图谱（同时驱动出题、批改、学情诊断）；医疗的诊疗路径图（同时驱动病历生成质控、决策审计、结局归因）；司法的证据链结构（同时驱动案情重构、量刑监督、再审审查）。

灵感二：共享持久状态摊销重复计算——协调本身就是增益来源。VAMR 证明把 n 条独立循环合并为一条共享轨迹，效率（帧数 −61.4%）与效果（+4.3 点）可以同向提升，且增益不依赖问题间证据重叠（最低重叠组仍 +7.0 点）。论文证据：密度实验 1→16 题准确率 58.1→62.8。推广场景：CI 系统的测试编排（多 PR 共享构建缓存与依赖分析）；数据库的批查询优化（共享扫描计划）；多租户 SaaS 的个性化（共享基础画像+租户特异增量）；科研团队的知识管理（共享文献综述+课题专属笔记的分层记忆）。

灵感三：异构方法应被治理而非被统一——学习调度比发明万能方法更划算。Agentic-TTT 不提出新 TTT 方法，而是学会调度五种既有方法（+策略还能在部分域反超 Oracle），固定方法互有胜负（SEAL 在 PassageQA +0.427 在 Math −0.368）而学习策略 8 域全正。论文证据：0.256→0.510、20:1 帮害比。推广场景：云平台的弹性调度（学习何时用哪种实例类型而非发明万能调度器）；医生的分诊决策（学习转诊哪些病人给哪个专科）；投资组合的策略选择（学习何时用动量何时用均值回归）；编译器的优化 pass 调度（按程序特征选 pass 组合）。

灵感四：成本项必须进入训练目标，否则学会的能力会被过度使用。Agentic-TTT 发现 λ_comp=0（纯效用）反而不如适度惩罚——策略会过度 TTT 而不挑选。论文证据：λ 0.1/0.2 省约 30% 算力且效用反超 λ=0；TTRL 调用近乎减半而总效用上升。推广场景：智能客服的人工转接阈值（转接成本进决策）；机器人的探索-利用权衡（探索能耗计入回报）；个人知识管理（记录笔记的时间成本 vs 未来检索收益）；API 网关的缓存策略（缓存构建成本进命中率权衡）。

灵感五：特权信息可用于构造数据，但必须从最终输入中剥离。VAMR 两阶段 SFT（金答案+证据区间只用于选动作，生成推理时移除）与 Agentic-TTT 引导蒸馏（提示只在采集时存在）共享同一纪律。论文证据：两篇的 SFT 检查点都成为 RL 的可靠起点（VAMR SFT 57.9、Agentic-TTT SFT 0.375）。推广场景：机器人示教（遥操作数据训练、自主部署时无遥操作）；教育中的脚手架教学（辅助逐步撤除）；编译器向导优化（离线剖析信息引导、运行时不用剖析）；推荐系统的探索（离线模拟器造数据、上线只用策略）。

灵感六：评测应按「操作」而非「内容」组织，才能定位失败模式。OneSearch 基准按研究操作（多跳/计数/算术/比较）归类题目而非按视觉内容或来源类目，使得「模型在哪种能力上弱」可直接读出。论文证据：操作级分解定位增益来源（组合操作 +20~30 点、单锚点查找增益最小）。推广场景：编程能力评测按算法操作而非语言归类；医疗诊断评测按推理模式而非病种归类；安全审计按攻击面操作而非漏洞类型归类；驾驶员考试按驾驶操作而非路况归类。

收束：三篇论文放在一年前可能只是三个互不相干的工程优化，但在「智能体面对查询流」这个新范式下它们显出了共同面目——证据要有结构（VGEG），状态要能共享（分层记忆+共享循环），学习要能自主（TTT agency）。当模型从「答一题」走向「处理一条流」，决定其上限的不再是单次推理的聪明，而是流上的组织学：证据如何被结构化地积累、探索如何被协同地复用、能力如何被有成本意识地扩建。这三篇论文分别给出了这三个方向上当前最完整的答案，也分别暴露了各自的未决问题——VGEG 的自动构建仍依赖强专家模型、共享循环在低密度场景增益收窄、TTT agency 在强基座上校准困难。这些缺口共同指向下一个问题：当查询流本身也会演化时，证据结构、共享状态与技能库的联合演化该如何治理。