arXiv 2026年9月30日作者提出 VHOP 数据生成框架与五级难度基准，并据此训练端到端管线 VHOP-Router，将标准嵌入模型变为在视觉潜空间中自回归执行多步检索的工具，单次调用即可取回链接图像链；实验显示检索性能从不足 5% 提升到 76.3%，智能体搜索任务成功率提升 52.7%，平均 token 长度从 1886 降至 728（减少 61%），相比每步取前 50 条结果的强基线，上下文图像减少 23 倍、累计 API 负载减少 35 倍，并能泛化到未见难度与真实测试集。作者提出 VHOP 数据生成框架与五级难度基准，并据此训练端到端管线 VHOP-Router，将标准嵌入模型变为在视觉潜空间中自回归执行多步检索的工具，单次调用即可取回链接图像链；实验显示检索性能从不足 5% 提升到 76.3%，智能体搜索任务成功率提升 52.7%，平均 token 长度从 1886 降至 728（减少 61%），相比每步取前 50 条结果的强基线，上下文图像减少 23 倍、累计 API 负载减少 35 倍，并能泛化到未见难度与真实测试集。VHOP-Router 把多步视觉检索交给嵌入模型，检索性能从不足 5% 提升到 76.3%作者提出 VHOP 数据生成框架与五级难度基准，并据此训练端到端管线 VHOP-Router，将标准嵌入模型变为在视觉潜空间中自回归执行多步检索的工具，单次调用即可取回链接图像链；实验显示检索性能从不足 5% 提升到 76.3%，智能体搜索任务成功率提升 52.7%，平均 token 长度从 1886 降至 728（减少 61%），相比每步取前 50 条结果的强基线，上下文图像减少 23 倍、累计 API 负载减少 35 倍，并能泛化到未见难度与真实测试集。作者提出 VHOP 数据生成框架与五级难度基准，并据此训练端到端管线 VHOP-Router，将标准嵌入模型变为在视觉潜空间中自回归执行多步检索的工具，单次调用即可取回链接图像链；实验显示检索性能从不足 5% 提升到 76.3%，智能体搜索任务成功率提升 52.7%，平均 token 长度从 1886 降至 728（减少 61%），相比每步取前 50 条结果的强基线，上下文图像减少 23 倍、累计 API 负载减少 35 倍，并能泛化到未见难度与真实测试集。