UNIBROWSE：多模式 BrowseComp 的数据到代理框架

多模态 BrowseComp 任务要求代理将感知、工具使用和动态 Web 内容的长期推理结合起来，挑战他们处理组合结构、开放世界不确定性和跨扩展交互的多模态集成的能力。至关重要的是，现实世界的多模态浏览涉及三种不同的信息流模式：纯文本、图像到文本和文本到图像，但现有的数据构建方法仅涵盖纯文本和图像到文本模式，而文本到图像在很大程度上没有得到解决，并限制了代理的通用性和鲁棒性。我们引入了 UNIBROWSE，这是一个统一的数据管道，它首次同时生成涵盖所有三种模式的训练数据，通过实时网络检索增强精选知识图以提高保真度，并引入一种新颖的探索度指标来过滤低信号实例以实现高效的强化学习。通过这个管道，我们生成高质量的冷启动工具使用轨迹和富含探索的 QA 对，并通过受监督的 微调 和探索感知 RL 训练 35B 规模的代理。最终的 UNIBROWSE 代理在多模式 BrowseComp 基准上实现了最先进的性能，在五个不同的基准上获得了 54.4 的平均准确度，比其基本模型提高了 10.5 个点Qwen3.5-35B-A3B——超越了一些闭源代理工作流程，例如 GPT-5 (42.9)、Gemini-2.5 Pro (44.8) 和 Gemini-2.5 Flash (41.3)。