MTA-Agent: An Open Recipe for Multimodal Deep Search Agents

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Peng, Xiangyu, Qin, Can, Yan, An, Yang, Xinyi, Chen, Zeyuan, Xu, Ran, Wu, Chien-Sheng
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

UNIDOC-BENCH: A Unified Benchmark for Document-Centric Multimodal RAG
von: Peng, Xiangyu, et al.
Veröffentlicht: (2025)

OpenSearch-VL: An Open Recipe for Frontier Multimodal Search Agents
von: Chen, Shuang, et al.
Veröffentlicht: (2026)

DR-MMSearchAgent: Deepening Reasoning in Multimodal Search Agents
von: Wang, Shengqin, et al.
Veröffentlicht: (2026)

Customize Your Visual Autoregressive Recipe with Set Autoregressive Modeling
von: Liu, Wenze, et al.
Veröffentlicht: (2024)

ProMMSearchAgent: A Generalizable Multimodal Search Agent Trained with Process-Oriented Rewards
von: Yan, Wentao, et al.
Veröffentlicht: (2026)

VLM2Vec-V2: Advancing Multimodal Embedding for Videos, Images, and Visual Documents
von: Meng, Rui, et al.
Veröffentlicht: (2025)

PresentAgent: Multimodal Agent for Presentation Video Generation
von: Shi, Jingwei, et al.
Veröffentlicht: (2025)

PresentAgent-2: Towards Generalist Multimodal Presentation Agents
von: Wu, Wei, et al.
Veröffentlicht: (2026)

CT-Agent: A Multimodal-LLM Agent for 3D CT Radiology Question Answering
von: Mao, Yuren, et al.
Veröffentlicht: (2025)

InternVL3: Exploring Advanced Training and Test-Time Recipes for Open-Source Multimodal Models
von: Zhu, Jinguo, et al.
Veröffentlicht: (2025)

Warm Diffusion: Recipe for Blur-Noise Mixture Diffusion Models
von: Hsueh, Hao-Chien, et al.
Veröffentlicht: (2025)

EEA: Exploration-Exploitation Agent for Long Video Understanding
von: Yang, Te, et al.
Veröffentlicht: (2025)

MMDeepResearch-Bench: A Benchmark for Multimodal Deep Research Agents
von: Huang, Peizhou, et al.
Veröffentlicht: (2026)

OracleAgent: A Multimodal Reasoning Agent for Oracle Bone Script Research
von: Li, Caoshuo, et al.
Veröffentlicht: (2025)

From Web to Pixels: Bringing Agentic Search into Visual Perception
von: Yang, Bokang, et al.
Veröffentlicht: (2026)

RecipeGen: A Step-Aligned Multimodal Benchmark for Real-World Recipe Generation
von: Zhang, Ruoxuan, et al.
Veröffentlicht: (2025)

DeepImageSearch: Benchmarking Multimodal Agents for Context-Aware Image Retrieval in Visual Histories
von: Deng, Chenlong, et al.
Veröffentlicht: (2026)

SQ-LLaVA: Self-Questioning for Large Vision-Language Assistant
von: Sun, Guohao, et al.
Veröffentlicht: (2024)

VCA: Video Curious Agent for Long Video Understanding
von: Yang, Zeyuan, et al.
Veröffentlicht: (2024)

VSearcher: Long-Horizon Multimodal Search Agent via Reinforcement Learning
von: Zhang, Ruiyang, et al.
Veröffentlicht: (2026)

LayoutDETR: Detection Transformer Is a Good Multimodal Layout Designer
von: Yu, Ning, et al.
Veröffentlicht: (2022)

EmbodiedEval: Evaluate Multimodal LLMs as Embodied Agents
von: Cheng, Zhili, et al.
Veröffentlicht: (2025)

Vero: An Open RL Recipe for General Visual Reasoning
von: Sarch, Gabriel, et al.
Veröffentlicht: (2026)

VisBrowse-Bench: Benchmarking Visual-Native Search for Multimodal Browsing Agents
von: Zhang, Zhengbo, et al.
Veröffentlicht: (2026)

VideoAgent: A Memory-augmented Multimodal Agent for Video Understanding
von: Fan, Yue, et al.
Veröffentlicht: (2024)

How Far Are Vision-Language Models from Constructing the Real World? A Benchmark for Physical Generative Reasoning
von: Yang, Luyu, et al.
Veröffentlicht: (2026)

BLIP3o-NEXT: Next Frontier of Native Image Generation
von: Chen, Jiuhai, et al.
Veröffentlicht: (2025)

CVP: Central-Peripheral Vision-Inspired Multimodal Model for Spatial Reasoning
von: Chen, Zeyuan, et al.
Veröffentlicht: (2025)

MobileFlow: A Multimodal LLM For Mobile GUI Agent
von: Nong, Songqin, et al.
Veröffentlicht: (2024)

AgentVista: Evaluating Multimodal Agents in Ultra-Challenging Realistic Visual Scenarios
von: Su, Zhaochen, et al.
Veröffentlicht: (2026)

Multimodal Classification via Total Correlation Maximization
von: Yu, Feng, et al.
Veröffentlicht: (2026)

ScaleCUA: Scaling Open-Source Computer Use Agents with Cross-Platform Data
von: Liu, Zhaoyang, et al.
Veröffentlicht: (2025)

Learning to Search: A Decision-Based Agent for Knowledge-Based Visual Question Answering
von: Chen, Zhuohong, et al.
Veröffentlicht: (2026)

OpenCUA: Open Foundations for Computer-Use Agents
von: Wang, Xinyuan, et al.
Veröffentlicht: (2025)

BLIP3-o: A Family of Fully Open Unified Multimodal Models-Architecture, Training and Dataset
von: Chen, Jiuhai, et al.
Veröffentlicht: (2025)

GEMS: Agent-Native Multimodal Generation with Memory and Skills
von: He, Zefeng, et al.
Veröffentlicht: (2026)

MMA: Multimodal Memory Agent
von: Lu, Yihao, et al.
Veröffentlicht: (2026)

Unify-Agent: A Unified Multimodal Agent for World-Grounded Image Synthesis
von: Chen, Shuang, et al.
Veröffentlicht: (2026)

MTA: Multimodal Task Alignment for BEV Perception and Captioning
von: Ma, Yunsheng, et al.
Veröffentlicht: (2024)

OpenUni: A Simple Baseline for Unified Multimodal Understanding and Generation
von: Wu, Size, et al.
Veröffentlicht: (2025)