ModalSearcher 提出了一种自主跨模态搜索能力，代理可以在直接推理、文本检索、文本到图像检索、逆向图像检索之间自由切换，并在需要时主动引入视觉证据。为实现该能力，作者构建了 ModalSearch‑Pipeline，能够生成交错的多模态知识图，随机采样不同深度和模态组合的路径，并通过逆向构造问题的方式隐藏实体名称和图像目标，以防止推理捷径，同时保留必要的消歧线索，形成仅文本、图像初始化或任意交错的多跳任务。随后在真实 Web 环境中使用监督微调和强化学习训练 ModalSearcher 代理，并搭建 ModalSearch‑Bench 评测套件。实验表明，ModalSearcher‑8B 在五个多模态知识密集型问答基准上，相比 Qwen3‑VL‑8B 提升了 16.2 分的平均准确率，并在独立构建的主动视觉搜索基准上保持一致提升。
点评：该工作展示了跨模态检索的自主化路径，为多模态大模型在复杂查询场景下的证据获取提供了可行框架。