搜索这件事，从关键词匹配到语义搜索，再到现在的多模态搜索，迭代速度快得让人跟不上。OpenSearch-VL 是这条线上最新的开源玩家。
它解决什么问题
多模态深度搜索 Agent 的核心难点不是"搜什么"，是"搜失败了怎么办"。
Agent 先感知输入（可能是文本+图片），然后规划搜索策略，调用工具，分析结果，再决定下一步。这个链条里任何一环断了，整个搜索就废了。
OpenSearch-VL 用了一个叫 fatal-aware GRPO 的方法来应对这个问题。GRPO 是 Group Relative Policy Optimization，一种强化学习算法。fatal-aware 的意思是，模型在训练时就学会了区分"小失误"和"致命错误"，对后者做出不同的响应。
简单说：普通 GRPO 遇到错误会尝试修复，fatal-aware GRPO 先判断这个错误是不是致命的，如果是，直接切换策略而不是硬修。
工具箱是统一的
框架内置了一个统一的工具环境，搜索 Agent 可以调用的工具包括检索、分析、排序、多模态理解等。这些工具不是松散拼接的，而是在一个统一的环境里被 RL 训练。
这意味着工具之间的切换成本更低，Agent 学到的策略更稳定。
数据集是策展过的
报告提到使用了"curated datasets"。这点值得注意——多模态搜索的训练数据质量直接决定了 Agent 的上限。随便抓一批图文对来训练，效果不会好。
OpenSearch 团队在数据筛选上花了功夫，这对复现效果很重要。
能不能用
项目完全开源，包含模型权重和训练代码。如果你在做搜索相关的产品，或者对多模态 Agent 感兴趣，这个 repo 值得看。
几个需要留意的地方：
- 10+ 项能力提升这个说法比较模糊，具体数字和基线模型需要在论文里找
- 多模态搜索对算力要求不低，本地跑需要一定的 GPU 资源
- GRPO 训练本身也不便宜，如果要 fine-tune 的话要有预算
主要来源：