Summary
WebWatcher 把 deep research agent 从纯文本推进到视觉-语言多模态：整合视觉+文本浏览、OCR、多工具调用，用高质量合成多模态轨迹冷启动 + RL，并提出多模态检索 benchmark BrowseComp-VL；在 4 个高难 VQA benchmark 上显著超越闭源 baseline、RAG workflow 与开源 agent。
Problem & Motivation
真实 deep research 常需处理图像、图表、截图等视觉信息，但既有 deep-research agent（2505-WebDancer、2507-WebSailor）多为纯文本。多模态 deep research 更难——需要在视觉+文本交织的信息景观里做复杂检索与推理。WebWatcher 想突破这个 vision-language 前沿。
Method
[未获取全文，仅基于 abstract + 页面结构]
三大组件：
- 多模态推理架构：融合视觉与文本信息，组合 browsing + OCR + 多工具调用，处理视觉/文本交织的复杂信息检索。
- 合成多模态轨迹冷启动：用高质量 synthetic multimodal trajectory 做高效 cold start，免大量人工标注即可建立多模态 agentic 能力。
- RL 增强：进一步用 RL 优化行为、提升泛化。
配套提出 BrowseComp-VL——需同时处理视觉与文本信息的复杂检索 benchmark。
Key Results
- 在 4 个高难 VQA benchmark 上显著超越 proprietary baseline、RAG workflow 与开源 agent。
- 引入 BrowseComp-VL 填补多模态 deep research 评测空白。
- （具体数值未获取全文；abstract 强调多模态 deep research 仍”highly challenging”。）
Strengths & Weaknesses
亮点：(1) 把 deep-research 支线扩到多模态，补上视觉信息检索这一现实刚需；(2) 合成多模态轨迹冷启动降低标注门槛；(3) BrowseComp-VL 是多模态 deep research 评测的新锚点；Tongyi 家族多模态一环。
局限：(1) 未获取全文，缺具体数字与消融；(2) OCR + 多工具拼装的 pipeline 复杂度与鲁棒性未知；(3) 多模态 deep research 绝对难度高、远未饱和。属 WebAgent-Survey deep-research 路线（多模态子分支）。
Mind Map
mindmap root((WebWatcher)) Problem deep research 多为纯文本 需视觉信息检索 Method 多模态推理 browsing+OCR 合成多模态轨迹冷启动 RL 增强 BrowseComp-VL Results 4 VQA benchmark 超闭源
Notes
- Tongyi 家族链：2505-WebDancer → 2507-WebSailor → WebWatcher → 2509-WebSailorV2。
- 与 vault 的 2500-WebCogreasonerTowardsKnowledge（web 认知推理）互补，但 WebWatcher 更偏多模态 open-web 检索。