MIRA：多模态图文深度研究Agent，实现可控报告生成

深度研究Agent已能搜索开放网络并综合证据，但在多模态深度研究中，可控报告生成仍是短板。这类任务要求Agent处理图文交错的输入，通过多步网络搜索收集多模态证据，并按用户要求输出完整的图文报告。现有系统存在两个局限：推理时常常低估搜索轨迹中发现的图像；生成时倾向于固定形式的答案，对报告粒度、多模态组合和证据落地的控制有限。为此，研究者提出MIRA——一个面向可控报告的多模态图文深度研究Agent。

核心问题：图文证据的割裂与控制的缺失

当前深度研究Agent的工作流大多围绕文本证据构建，图像往往被视为辅助信息，甚至在推理过程中被忽略。这导致最终生成的报告缺乏视觉支撑，难以满足用户对图文并茂内容的需求。话说回来，报告生成环节通常采用端到端的方式，用户只能指定主题，却无法控制报告的详细程度、图文比例以及每个论断背后的证据来源。这种“黑箱式”生成限制了Agent在专业场景中的可用性。

MIRA的出发点正是将文本与视觉证据贯穿于研究和写作的全过程，并把用户需求转化为可执行的生成契约。

深度研究Agent（Deep Research Agent）是指能够自主执行多步网络搜索、跨来源整合信息并生成结构化研究报告的智能体系统。与传统的检索增强生成（RAG）不同，深度研究Agent强调“多跳”推理：它会根据中间发现动态调整后续搜索策略，而非一次性检索后直接作答。代表性工作包括OpenAI Deep Research、Perplexity等。这类系统的核心挑战在于搜索轨迹规划、证据可信度评估以及长报告的组织能力。当任务从纯文本扩展到图文交错场景时，Agent还需判断何时应检索图像、如何将视觉证据与文本论证对齐，这显著提高了推理与生成的复杂度。

MIRA-Harness：用生成契约串联四个阶段

MIRA的核心组件是MIRA-Harness，它将用户要求翻译成“生成契约”，并连接四个阶段：证据收集、报告提交、反馈驱动的修订以及最终交付。这一设计让报告生成不再是单向的提示-输出，而是一个可迭代、可控制的过程。

在证据收集阶段，Agent执行多步网络搜索，同时捕获文本和图像证据，并记录其来源，为后续的可追溯性打下基础。报告提交阶段，Agent依据生成契约产出初稿，契约中明确了粒度、多模态组合等约束。反馈驱动的修订阶段允许根据用户或自动评估的反馈调整报告，最终交付阶段则确保输出符合契约要求。

这种分阶段、契约驱动的方式，使Agent能够在保持自主性的同时，对报告的关键属性进行精细控制。

MIRA-Data与模型后训练：构建高质量多跳轨迹

为了让基础模型能够在这一工作流中运作，研究团队构建了MIRA-Data，用于生成高质量的多跳多模态研究轨迹。这些轨迹模拟了真实的研究过程：从初始问题出发，经过多次搜索和证据整合，最终形成报告。基于这些数据，团队对基础模型进行后训练，使其学会在MIRA-Harness定义的流程中行动。

后训练的关键在于让模型理解“生成契约”的约束，并学会在搜索过程中主动利用图像证据。这不同于传统的指令微调，而是将工作流的结构化知识注入模型。

多跳轨迹（multi-hop trajectory）指Agent从初始问题出发，经过多次搜索、证据筛选与整合，逐步逼近答案的完整行动序列。每一步都包含动作（如发起查询、打开页面、提取图像）和观察（检索到的文本或图像内容）。在训练中，这类轨迹既可作为监督微调的目标序列，也可用于偏好学习，让模型区分高质量与低质量的搜索路径。相比单跳问答数据，多跳轨迹能教会模型何时继续搜索、何时停止、如何在不同来源间建立关联，是训练深度研究Agent的关键数据形态。MIRA-Data的价值正在于将图像证据的获取与使用嵌入到这一轨迹中。

基准表现：开源Agent中的SOTA

使用Qwen3.6-35B-A3B作为基础模型，MIRA在7个代表性的多模态搜索和深度研究Agent基准上取得了开源Agent中的state-of-the-art性能。这些基准覆盖了多模态搜索和深度研究任务，能够全面评估Agent的证据收集、综合和报告生成能力。

更重要的是，MIRA生成的图文报告与用户需求对齐，并且文本和视觉证据均可追溯。这意味着用户不仅能看到结论，还能回溯每个结论所依据的原始资料，包括图像来源。

意义与局限

MIRA的价值在于将“可控性”引入多模态深度研究报告生成。通过生成契约和分阶段工作流，它让用户能够指定报告的粒度和多模态组成，同时保持证据的可追溯性。这对于需要严谨引用的研究场景尤为重要。

不过，当前结果基于Qwen3.6-35B-A3B这一特定基础模型，MIRA-Harness和MIRA-Data的通用性仍需在更多模型上验证。此外，生成契约的制定目前可能依赖人工或固定模板，如何让Agent自动理解并细化用户意图，仍是值得探索的方向。

总体而言，MIRA为多模态深度研究Agent提供了一个可控制的报告生成框架，其分阶段设计和证据追溯机制为后续研究提供了可借鉴的思路。

背景补充

生成契约（generation contract）是MIRA提出的核心抽象，可理解为一组在生成前显式约定、在生成中持续校验的输出约束。它通常包含报告粒度（如段落数、每节详略）、多模态组合比例（图文如何交错）、证据落地要求（每个论断需附来源链接或图像引用）等维度。与普通提示词不同，契约在工作流的多个阶段被反复引用：初稿提交时用于自检，修订阶段用于判断反馈是否被满足，最终交付时用于验收。这种机制把用户模糊的偏好转化为可执行、可验证的规范，从而在保持Agent自主性的同时实现细粒度控制，也为自动化评估提供了明确标准。