DeepEyes-V2

DeepEyes-V2 to agentowy model multimodalny opracowany przez rednote-hilab (laboratorium AI chińskiej platformy społecznościowej Xiaohongshu / RedNote). Model rozszerza koncepcję "Thinking with Images" z DeepEyes v1 o pełną zdolność wywoływania zewnętrznych narzędzi: środowiska wykonawczego kodu Python oraz wyszukiwarki internetowej. Integruje te operacje w pojedynczy łańcuch rozumowania end-to-end.

Trening wykorzystuje dwustopniowy pipeline: faza cold-start ustanawia wzorce użycia narzędzi (przez supervised fine-tuning na starannie dobranych przykładach), po której następuje faza reinforcement learning rafinująca decyzje o wywołaniu narzędzi. Autorzy obserwują, że samo RL bez cold-start nie wystarcza do wzbudzenia stabilnych zachowań narzędziowych. Model bazuje na Qwen-2.5-VL-7B-Instruct lub Qwen-2.5-VL-32B-Instruct jako modelu fundamentowym.

Wraz z modelem zespół wprowadził RealX-Bench — benchmark ewaluacyjny wymuszający integrację percepcji, wyszukiwania i rozumowania w zadaniach z rzeczywistego świata. DeepEyes-V2 wykazuje adaptacyjny dobór narzędzi: dla zadań percepcyjnych częściej wybiera operacje na obrazach (zoom-in), dla zadań matematycznych — obliczenia numeryczne w kodzie. Po treningu RL model potrafi łączyć narzędzia w złożone sekwencje.