---
title: "小红书×剑桥大学重磅发布HyperEyes：并行多模态搜索智能体，效率飙升5.3倍，准确率提升9.9%"
url: "https://paooo.com/aigc-news/10852/"
author: "Prompt 语宙研究院"
published_at: "2026-05-21T13:27:26+08:00"
updated_at: "2026-05-21T13:27:26+08:00"
categories: "AI 工具, AIGC 资讯"
tags: "多模态搜索, 大模型, 小红书, 智能体, 视觉定位"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# 小红书×剑桥大学重磅发布HyperEyes：并行多模态搜索智能体，效率飙升5.3倍，准确率提升9.9%

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/10852/) · 作者：Prompt 语宙研究院 · 发布时间：2026-05-21

## AI 30 秒核心看点 (TL;DR)

- HyperEyes通过UGS重构动作空间，把视觉定位与检索合并为单轮并发搜索，解决传统串行裁剪-搜索低效问题。
- 30B版本在6个基准上准确率较最强开源同规模模型提升9.9%，平均工具调用轮次仅2.2次，效率提升5.3倍。
- TRACE+OPD双粒度强化学习与CAS评分共同优化准确率、Token消耗和工具轮次，形成效率与效果的帕累托最优。

> 
                **💡 站外导读：**在AIGC与多模态技术爆发的时代，传统AI搜索智能体仍深陷“串行裁剪-搜索”的效率泥潭。每处理一个实体，都要重复一次裁剪、定位、检索的流程，导致工具调用轮次多、错误级联风险高，难以应对复杂场景下的实时需求。小红书与剑桥大学联合研发的HyperEyes智能体，直击这一行业痛点，通过重构动作空间，将视觉定位与检索融合为单一原子动作，实现单轮多实体并发搜索，从根本上重塑了效率与准确率的平衡。

            

             
                        

## HyperEyes是什么

HyperEyes是小红书与剑桥大学联合推出的并行多模态搜索智能体，首创 UGS 范式，将视觉定位与检索融合为单一原子动作，实现单轮多实体并发搜索。HyperEyes采用双粒度效率感知强化学习框架，在6个基准测试中，30B版本准确率超越最强开源同规模模型9.9%，工具调用轮次减少5.3倍，实现准确率与效率的帕累托最优。

## HyperEyes的主要功能

- 
**并行多模态搜索**：单轮内并发定位并检索图片中的多个实体，替代传统串行裁剪-搜索流程。

- 
**统一有依据搜索**：将视觉定位框直接嵌入检索动作参数，一次函数调用携带多个目标框。

- 
**渐进式拒绝采样**：在递增轮次预算下提纯高效轨迹，构建3万条零冗余并行种子数据。

- 
**双粒度效率感知RL**：TRACE动态收紧轨迹级效率标尺，OPD在失败轨迹上注入Token级纠正信号。

- 
**IMEB基准评估**：发布300实例多实体视觉评测集，配套CAS评分联合量化准确率与搜索效率。

- 
**多工具协同**：集成图像搜索与文本搜索工具，支持视觉证据与文字证据的并发获取。

## HyperEyes的技术原理

- **UGS动作空间重构**：将视觉定位从独立前置步骤转化为检索动作的内嵌参数，物理层面打通单轮多目标并发通路。

- **并行数据合成流水线**：通过多类图片拼接合成多实体查询，基于图谱随机游走构造多约束交集问题并剔除捷径解。

- **TRACE动态参考奖励**：用当前最优轨迹为动态标尺，仅当模型比标尺更高效时给予奖励，每轮自动收紧标准。

- **OPD非对称策略蒸馏**：在轨迹最终答错时启动235B教师模型，为失败轨迹提供密集Token级监督，保护高效并发本能。

- **联合优化目标**：GRPO结合轨迹级效率奖励与Token级蒸馏损失，同步优化策略网络的准确率与效率。

- **CAS成本感知评分**：采用Acc²×100/(N_tok+2N_tool+1)公式，将准确率、Token消耗与工具轮次统一为效率指标。

## 如何使用HyperEyes

- **获取开源资源**：访问 GitHub 仓库 https://github.com/DeepExperience/HyperEyes 。

- **准备基础模型**：下载并部署 Qwen3-VL-30B 或 235B 作为视觉语言模型 backbone，确保 GPU 显存满足推理需求。

- **配置外部检索工具**：接入图像搜索与文本搜索 API（如 Bing Image Search、Google Custom Search），作为 Agent 执行 UGS 并行搜索的外部工具。

- **输入多实体查询**：上传包含多个实体的复杂图片，输入自然语言问题，HyperEyes 将自动执行 UGS 统一有依据搜索，单轮并发定位并检索所有目标。

- **查看并行搜索结果**：模型返回结构化检索结果与最终答案，包含每个实体的视觉证据与文本证据。

- **评估搜索效率**：通过 CAS（成本感知评分）指标量化评估准确率、Token 消耗与工具调用轮次的综合效率

## HyperEyes的核心优势

- 
**效率飞跃**：30B版本平均工具调用轮次仅2.2次，为同规模最强开源模型的1/5，实现5.3倍效率提升。

- 
**准确率领先**：在6个基准上超越最强开源同规模模型9.9%，235B版本以1.1%差距逼近Gemini-3.1-Pro。

- 
**抗噪声鲁棒**：并行策略规避过度检索幻觉，在真假证据混合测试中准确率提升3.7%-5.8%。

- 
**消除错误级联**：UGS消除串行裁剪依赖，前置定位偏差不再污染后续搜索结果。

- 
**帕累托最优**：在准确率-效率联合前沿全面占优，CAS评分达次优开源模型的7.6倍。

- 
**全栈效率重塑**：从动作空间、数据合成到RL训练进行底层重构，系统性解决串行困局。

## HyperEyes的项目地址

- **GitHub仓库**：https://github.com/DeepExperience/HyperEyes

- **arXiv技术论文**：https://arxiv.org/abs/2605.07177

## HyperEyes的同类竞品对比

对比维度
HyperEyes-30B
DeepEyes-V2
VDR

开发团队
小红书/剑桥大学
小红书
未公开

搜索范式
并行并发(UGS)
串行裁剪-搜索
串行深度搜索

平均工具轮次
2.2
3.6
11.6

6基准平均准确率
64.0%
39.1%
54.1%

IMEB准确率
46.7%
18.0%
21.2%

CAS效率评分
0.910
0.119
0.014

核心机制
TRACE+OPD双粒度RL
工具奖励激励
多轮深度推理

错误级联风险
免疫（原子动作）
高风险
中等风险

## HyperEyes的应用场景

- 
**多人物视觉推理**：识别合影中特定人物的身份、职业与历史事件，并发检索多人生平信息。

- 
**电商商品比对**：对包含多个商品的复杂场景图进行并发搜索，获取价格、品牌与评价信息。

- 
**跨模态知识问答**：回答涉及图片中多个物体、地标、艺术品之间关系的复杂查询。

- 
**新闻事实核查**：对包含多人物、多场景的新闻图片并发检索，验证事件真实性与背景信息。

- 
**学术图表解析**：对包含多个图表、公式、引用的论文截图进行并行定位与内容检索。

- 
**社交媒体审核**：对复杂图片中的多个实体并发搜索，快速判断违规或误导性内容。

                    
            
                

#### 📝 站长洞察 (Editor's Insight)

                HyperEyes的发布标志着多模态智能体从“串行思维”向“并行原生”的范式跃迁。它不仅是一个模型升级，更是对整个搜索Agent底层架构的重构：通过UGS动作空间将定位与检索物理绑定，再结合双粒度强化学习，系统性解决了效率与准确率的权衡难题。这反映了当前顶尖AI研究的核心趋势——从单一能力堆叠转向系统工程优化。小红书作为实践方，将复杂视觉理解需求（如电商比对、内容审核）反哺至基础模型研究，形成了需求驱动创新的正循环。对于行业而言，HyperEyes的开源意味着“并行搜索”这一新范式将成为标配，倒逼所有多模态智能体重新审视其动作设计哲学。未来，能否在单轮内高效协同多种模态与工具，将是衡量智能体先进性的关键标尺。

## 常见问题解答 (FAQ)

### HyperEyes和传统AI搜索智能体有什么区别？
传统智能体通常采用“裁剪-定位-检索”的串行流程，每个实体都要重复多轮工具调用。HyperEyes把视觉定位嵌入检索动作，支持单轮并发搜索多个实体，能显著减少轮次并降低错误级联风险。

### HyperEyes的5.3倍效率提升是怎么来的？
文章给出的核心原因是UGS并行范式与双粒度效率感知RL。30B版本平均工具调用轮次降到2.2次，较同规模最强开源模型约减少5.3倍，从而在效率和准确率之间取得更优平衡。

### HyperEyes适合哪些实际应用场景？
它适合多实体、多证据的复杂视觉问答场景，例如多人合影识别、电商商品比对、跨模态知识问答等。凡是需要同时定位多个目标并结合图像与文本证据检索的任务，都很适合。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
