**ProMSA：用于知识型视觉问答的渐进式多模态搜索智能体**

_ProMSA:Progressive Multimodal Search Agents for Knowledge-Based Visual Question Answering_

> HuggingFace Daily Papers 推荐 ProMSA，一种针对知识型视觉问答（KB-VQA）的渐进式多模态搜索智能体。该方法摒弃了传统的固定检索流程，允许智能体在图像搜索、文本搜索或停止之间动态迭代选择，并采用去重机制避免冗余。通过拒绝采样 SFT 和序列级强化学习优化，ProMSA 在 E-VQA 和 InfoSeek 数据集上显著提升了检索及端到端准确率。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-29 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.27974)