MMSearch-OPD：让长程多模态搜索智能体难题可学

MMSearch-OPD 通过可控数据精炼与强化学习（RL）加同策略蒸馏（OPD）联合训练，提升长程多模态深度搜索智能体能力。其 Refine 流程对现有简单多模态问题的推理链做定向扩展，用参数化变换控制搜索深度与跨模态证据需求，并复用已有图文对。训练中答案奖励与轻量行为惩罚引导 RL，奖励差距调节 token 级教师指导，指数衰减蒸馏系数随训练降低教师依赖。