这项由中山大学iSEE实验室牵头的创新研究于2026年2月5日发表，论文编号为arXiv:2602.04454v1，为计算机视觉领域带来了一个令人兴奋的突破。有兴趣深入了解的读者可以通过该编号查询完整论文。

在我们日常生活中，当朋友发来一段视频问"帮我找找那个获得最佳新人奖的歌手在哪里"时，我们人类会怎么做？首先会思考这个奖项的相关信息，可能会上网搜索一下最近的颁奖典礼结果，然后再回到视频中寻找符合特征的人物。但对于现在的人工智能来说，这样的任务却是个巨大挑战。它们要么完全不知道这些最新信息，要么虽然能搜索但不会灵活运用搜索结果。

中山大学的研究团队就像给AI装上了一双会思考的眼睛和一个善于推理的大脑。他们开发的Seg-ReSearch系统，可以像一个经验丰富的侦探一样，在面对复杂线索时能够主动出击，通过网络搜索获取最新信息，然后结合视觉线索进行推理，最终精确锁定目标。

研究团队还特别构建了一个名为OK-VOS的测试平台，专门考验AI处理那些需要外部知识才能解决的视觉任务。就好比设计了一系列只有掌握最新资讯才能破解的谜题。实验结果显示，这套系统在处理需要外部知识的视觉任务时，性能比现有最先进方法提升了超过10个百分点，在传统推理任务上也创造了新的记录。

一、现实挑战：当AI遇到"不知道的不知道"

考虑这样一个场景：你收到朋友发来的演唱会视频，她问你能不能帮忙找到"那个刚刚赢得欧洲金球奖的球员的女朋友"。作为人类，你可能会先搜索最新的欧洲金球奖获奖者是谁，然后查找这位球员的个人信息，最后在视频中寻找相应的人物。这个过程涉及信息检索、逻辑推理和视觉识别的完美结合。

然而，现在的AI视觉系统就像一个知识被冻结在某个时间点的图书管理员。无论是早期的LISA系统，还是最新的VideoSeg-R1，它们虽然具备了一定的推理能力，但知识库就像一本永远不会更新的百科全书。当面对涉及最新信息或小众知识的问题时，这些系统只能"望洋兴叹"。

更加棘手的是，即使给这些系统配备了搜索工具，它们也不知道如何有效使用。就像给一个从未学会提问的学生一部电话，他可能会拨通号码，但不知道该问什么问题，或者如何将得到的答案与眼前的任务联系起来。现有的一些尝试要么过于依赖最终结果的对错来学习，导致学习信号过于稀疏，要么机械地模仿专家的每一步操作，缺乏灵活性和创造性。

研究团队敏锐地意识到，真正智能的视觉理解不应该被静态知识所束缚。在这个信息瞬息万变的时代，一个真正有用的AI助手需要具备主动学习、实时更新知识并灵活运用的能力。这就像培养一个既有敏锐观察力又有强大学习能力的侦探，能够面对任何新情况都能找到突破口。

二、巧妙设计：像教侦探一样训练AI

中山大学的研究团队采用了一种非常巧妙的训练方法，就像培养一名优秀侦探一样循序渐进。他们没有简单粗暴地告诉AI"对了就奖励，错了就惩罚"，也没有死板地要求AI完全模仿专家的每一个动作，而是设计了一套分层次的奖励机制。

这套机制的第一层被称为"初始引导奖励"，就像给新手侦探提供破案的第一个重要线索。当AI开始处理一个需要搜索信息的任务时，系统会检查它的第一步搜索是否走在正确的方向上。不过，这里的"正确"并不意味着必须完全复制专家的做法，而是允许多种合理的入手方式。这就像告诉新侦探"你可以从受害者的社交关系入手，也可以从现场物证开始，只要是合理的起点都是好的"。

第二层奖励叫做"递减过程奖励"，这是整个设计中最精妙的部分。系统鼓励AI进行更多有效的搜索尝试，但又防止它陷入无意义的无限循环。具体来说，AI每进行一次格式正确的搜索，都会获得一定的奖励，但这个奖励会逐渐递减。这种设计就像对侦探说："多调查一些线索是好事，但不要为了调查而调查，要适可而止。"通过数学公式的精心设计，这个奖励会从最初的基础分数逐渐增长，但增长速度会越来越慢，最终趋于稳定。

第三层是"结果奖励"，这部分相对直观，主要评估AI最终是否准确找到了目标对象。不过，这里的评估不仅仅看是否找对了人，还要考虑选择的关键帧是否合适，定位是否精确，甚至包括目标在该帧中的显著程度。这就像评判侦探不仅要看是否抓到了真凶，还要看证据链是否完整，逻辑是否清晰。

整个训练过程采用了一种叫做群体相对策略优化的方法。简单来说，就是让AI同时尝试多种不同的解决方案，然后通过比较这些方案的效果来学习。这种方法比传统的单一路径学习更加稳定和高效，就像让侦探小组同时从多个角度调查案件，然后总结出最有效的办法。

三、实战演练：构建专门的测试战场

为了验证这套训练方法的效果，研究团队专门构建了一个名为OK-VOS的测试平台。这个平台就像专门为侦探设计的训练场，里面的每一个案件都需要掌握最新信息才能破解。

OK-VOS平台包含了1000个精心设计的测试样本，覆盖150个视频和500个不同的目标对象。为了确保测试的公平性和挑战性，研究团队邀请了五位专家进行多轮审核，严格确保每个问题都需要超出现有AI系统内部知识范围的信息才能解答。任何可能通过视觉捷径或常识推理解决的问题都被剔除或重新设计。

这些测试案例被巧妙地分为三个难度等级，就像侦探训练中的初级、中级和高级案件。初级案件只需要一次直接搜索就能获得关键信息，比如"找到2025年奥斯卡最佳女主角"。中级案件需要多步推理，可能要先查到某个事件的时间，再根据时间查找相关人物。最困难的高级案件不仅需要多步搜索，还涉及复杂的空间关系推理，比如"找到那个接球的人，球是从2025年欧洲金球奖得主手中传出的"。

在这个严苛的测试环境中，现有的最先进系统表现都不尽如人意。即使是最近发表的UniPixel-7B系统，整体准确率也只有34.2%。更令人惊讶的是，简单地给现有系统配备搜索工具并没有带来显著改善。比如，Qwen3-VL-8B系统在配备搜索功能后，性能只提升了1.8%，这说明"有工具"和"会用工具"之间存在巨大差距。

相比之下，Seg-ReSearch系统的表现令人印象深刻。4B参数版本的系统就能达到46.0%的准确率，比配备搜索功能的同等规模基线系统高出近10个百分点。8B参数版本更是达到了50.0%的准确率，在这个极具挑战性的测试中建立了新的标杆。

四、技术深度：解构智能搜索的艺术

Seg-ReSearch系统的核心技术就像一台精密的推理机器，它能够在复杂的多媒体环境中进行类似人类的思考过程。当系统接收到一个查询任务时，它首先会分析视频内容和问题要求，判断是否需要外部信息支持。

系统的搜索过程采用了一种多回合动态交互机制。每当系统意识到需要更多信息时，它会生成一个精确的搜索查询，并指定搜索类型（文本搜索或图像搜索）。搜索引擎返回的信息会被自动整理并融入到系统的推理链条中，为下一步分析提供依据。这个过程可以重复进行，直到系统收集到足够的信息或达到预设的搜索次数上限。

在视频分析阶段，系统首先处理低分辨率的关键帧，进行初步的目标识别和场景理解。一旦确定了最可能包含目标对象的关键帧，系统会请求该帧的高分辨率版本，进行更精细的定位分析。最终，系统会输出一个包含边界框和精确点坐标的定位结果，这些信息会被传递给专门的掩码生成器（如SAM2），完成最终的像素级分割。

系统的学习过程采用了强化学习的方法，但与传统方法不同的是，它使用了前面提到的分层奖励机制。训练数据相对精简，只需要100个样本就能取得显著效果，这在数据稀缺的实际应用场景中具有重要价值。训练过程中，系统会不断调整其搜索策略和推理逻辑，学会在什么时候搜索什么内容，以及如何将搜索结果与视觉信息有效结合。

为了验证方法的通用性，研究团队还在传统的推理分割基准测试中进行了评估。在ReasonSeg图像基准和ReasonVOS视频基准上，Seg-ReSearch都创造了新的最佳成绩，证明了这种训练方法不仅适用于需要外部知识的任务，也能提升传统推理任务的性能。

五、深度分析：揭秘成功的关键要素

通过详细的实验分析，研究团队揭示了系统成功的几个关键因素。首先是分层奖励机制的重要性。通过对比实验发现，简单的稀疏奖励（只在最终结果对错时给予反馈）会导致系统倾向于寻找视觉捷径，避免进行必要的搜索。而过于严格的步骤模仿又会限制系统的灵活性和创造性。只有采用分层奖励机制，系统才能在探索和利用之间找到最佳平衡点。

研究团队特别分析了那个巧妙的递减奖励设计。实验显示，线性递增的奖励会导致系统进行无意义的重复搜索，试图通过搜索次数来获取更多奖励。而二元奖励（要么全对要么全错）又无法提供足够的学习信号。递减奖励设计让系统学会了适度搜索：平均搜索次数稳定在2.5次左右，既保证了信息的充分性，又避免了无效的重复。

搜索设置的优化也对系统性能产生了显著影响。研究团队发现，将最大搜索回合从1次增加到5次，系统性能提升了7.4个百分点，这证明了多步推理的重要性。但进一步增加到10次，性能提升就变得微乎其微，说明系统已经学会了高效的搜索策略。

在搜索内容的配置上，文本搜索被证明是获取外部知识的主要途径，将检索的文本条目从1条增加到3条带来了2.1个百分点的提升。图像搜索虽然贡献相对较小，但仍提供了0.8个百分点的额外收益，特别是在需要视觉确认的任务中发挥了重要作用。

搜索引擎的选择也影响着最终效果。Google搜索比DuckDuckGo搜索的效果好2.9个百分点，这可能与搜索结果的质量和相关性有关。更有趣的是，研究团队还尝试了网页浏览功能，即不仅获取搜索结果摘要，还访问完整的网页内容。这种方法带来了额外4.4个百分点的提升，暗示了更深度信息获取的潜力。

六、实际应用：从实验室到现实世界

通过具体的应用案例，我们可以更直观地理解Seg-ReSearch系统的工作方式。研究团队展示了一个特别复杂的多步推理案例：用户要求找到"在德国工程师Michaela Benthaus成为首位乘坐轮椅进入太空的人那天第三次主持《周六夜现场》的艺人"。

面对这个复杂查询，基础的AI系统完全无法处理，即使配备了搜索功能的增强版本也只是机械地转发原始查询，得到了无关的搜索结果。而Seg-ReSearch系统展现了类似人类的推理过程：首先搜索Michaela Benthaus的太空旅行日期，发现是2025年12月20日；然后搜索那天第三次主持《周六夜现场》的艺人，得到是Ariana Grande；最后在视频中准确定位了目标人物。

这个案例完美诠释了任务分解和信息整合的重要性。系统不是试图一次搜索解决所有问题，而是将复杂任务分解为几个简单的子问题，逐步构建完整的知识图谱，最终得出正确答案。

系统的训练过程也体现出了显著的学习曲线。训练初期，各项性能指标都相对较低，搜索次数也不稳定。但随着训练的进行，系统逐渐学会了更有效的搜索策略，错误响应的长度快速降至接近零，而正确响应的长度保持稳定。这表明系统不仅学会了如何搜索，还学会了如何生成格式规范的输出。

特别值得注意的是，系统在不同类型任务上的表现存在一定差异。对于单步搜索任务，系统的准确率达到了54.0%，这类任务相对简单，主要考验系统的基础搜索和定位能力。多步推理任务的准确率为43.3%，需要系统进行更复杂的逻辑链条构建。关系推理任务的准确率为44.2%，这类任务不仅需要外部知识，还需要理解空间和时间关系，是最具挑战性的任务类型。

七、技术突破：重新定义机器视觉的边界

Seg-ReSearch系统的成功不仅仅是性能数字的提升，更重要的是它重新定义了机器视觉系统的能力边界。传统的视觉AI就像一个只能识别已知物体的静态识别器，而这个系统更像一个能够主动学习和推理的智能助手。

系统采用的多模态大语言模型作为策略核心，这种设计选择体现了深刻的技术洞察。语言模型天生具备逻辑推理和知识整合的能力，通过专门的训练，它们可以学会如何在视觉任务中运用这些能力。这种跨模态的能力迁移为解决复杂的视觉推理问题开辟了新的途径。

训练方法的创新是另一个重要突破。传统的监督学习需要大量的标注数据，而强化学习虽然不需要详细标注，但通常需要大量的试错过程。Seg-ReSearch采用的分层奖励机制巧妙地结合了两种方法的优点，在保证学习效率的同时，大大减少了对标注数据的依赖。仅用100个训练样本就能达到如此显著的效果，这在数据稀缺的实际应用场景中具有巨大价值。

系统的可扩展性也值得关注。从4B参数到8B参数版本，系统性能有了明显提升，从46.0%增加到50.0%。这种可预测的规模化效应表明，随着计算资源的增加和模型规模的扩大，系统性能还有进一步提升的空间。

更令人兴奋的是，这种方法的应用潜力远不止于视频目标分割。同样的思路可以应用到其他需要外部知识支持的视觉任务中，比如图像问答、视觉常识推理、多模态内容生成等。这为构建更加智能和实用的AI系统提供了新的技术路径。

八、前景展望：走向真正的智能视觉助手

站在更广阔的技术发展视角来看，Seg-ReSearch系统代表了人工智能发展的一个重要方向：从封闭的专用系统走向开放的通用智能。这种能够主动获取信息、灵活推理和适应新情况的能力，正是我们期待的真正智能助手应该具备的特质。

在实际应用场景中，这样的系统可能会带来革命性的变化。新闻媒体可以用它来快速识别和标注新闻视频中的关键人物；教育机构可以用它来创建交互式的学习内容，帮助学生理解复杂的历史或科学概念；娱乐行业可以用它来自动生成视频内容的智能摘要和标签。

当然，这项技术的发展也面临一些挑战和考虑。首先是信息准确性的问题，系统的搜索结果依赖于互联网上的信息质量，如何确保获取的信息准确可靠是一个重要课题。其次是隐私保护的考虑，系统需要访问外部搜索服务，如何在保护用户隐私的同时提供优质服务需要仔细设计。

研究团队也坦诚地讨论了这项技术可能带来的社会影响。一方面，它能够大大提高人们处理多媒体信息的效率，让AI助手变得更加智能和有用。另一方面，它也可能会放大互联网信息中的偏见，或者在某些情况下涉及隐私问题。因此，研究团队强调了负责任发展的重要性，认为技术进步的积极影响远大于潜在风险。

从技术演进的角度来看，Seg-ReSearch可能只是一个开始。未来的智能系统可能会具备更强的自主学习能力，能够从与环境的交互中持续改进，甚至能够主动发现和探索新的知识领域。这种"永远在线学习"的智能系统将会是人工智能发展的下一个重要里程碑。

研究团队表示，他们计划将代码和数据集公开发布，这将有助于更多研究者在此基础上进行创新和改进。他们也希望这项工作能够激发更多关于开放世界人工智能的研究，推动整个领域向着更加智能和实用的方向发展。

说到底，Seg-ReSearch系统的意义不仅在于解决了一个特定的技术问题，更在于它展示了一种全新的AI设计理念：让机器像人类一样思考和学习，在面对未知问题时能够主动寻求答案，而不是被动地等待预设的解决方案。这种理念的实现，让我们离真正的通用人工智能又近了一步。

归根结底，这项研究最大的价值在于证明了AI系统可以突破静态知识的束缚，学会在动态变化的世界中自主导航。就像培养一个优秀的学生一样，重要的不是灌输多少知识，而是教会他如何学习和思考。中山大学的研究团队正是做到了这一点，他们教会了AI如何成为一个合格的"终身学习者"。

对于普通人来说，这意味着未来的AI助手将会变得更加聪明和有用，能够帮助我们处理那些需要最新信息和复杂推理的任务。对于研究者来说，这项工作开辟了一个全新的研究方向，有望推动人工智能向着更加通用和智能的方向发展。而对于整个社会来说，这样的技术进步预示着一个更加智能化的未来正在到来。

Q&A

Q1：Seg-ReSearch系统和普通的AI视觉识别有什么区别？

A：最大的区别在于Seg-ReSearch能够主动上网搜索信息。普通AI视觉系统就像一本封闭的百科全书，只能识别训练时见过的内容，而Seg-ReSearch更像一个会使用搜索引擎的侦探，遇到不认识的人或事物时会主动查找相关信息，然后结合搜索结果和视觉线索来准确定位目标。

Q2：这个系统只能用来分割视频中的对象吗？

A：虽然当前主要应用于视频对象分割，但这种"边推理边搜索"的方法具有很强的扩展性。同样的技术思路可以应用到图像问答、多模态内容理解、智能标注等多个领域。只要是需要结合外部知识进行视觉理解的任务，都可以借鉴这种方法。

Q3：OK-VOS测试平台为什么这么难，连最先进的AI都表现不好？

A：OK-VOS专门设计来测试需要外部知识的视觉任务，每个问题都需要最新信息才能解答，比如"找到2025年奥斯卡获奖者"这类问题。传统AI系统的知识被冻结在训练时，无法获取这些最新信息，就像用2020年的百科全书去回答2025年的问题一样。即使给它们配备搜索工具，也不知道如何有效使用，这就是为什么表现都不理想的原因。