Jan 20, 2026 · Microsoft Research
Argos：多模态 Agent 的强化学习开始同时验证答案、证据定位与推理过程
Microsoft Research 于 2026 年 1 月发布 Argos，使用可选择专用评分工具的 Agentic Verifier，为多模态强化学习同时提供答案正确性、时空定位与推理质量奖励。
EVENT STORY
Development
- First ReportArgos：多模态 Agent 的强化学习开始同时验证答案、证据定位与推理过程Microsoft Research
- Current Assessment多模态 Agent 进入机器人、驾驶与桌面执行后，验证器会成为训练和上线评测的独立基础设施；仅有任务成功率不足以证明系统在新环境中可靠。Agent Pulse · analysis
只奖励最终答案会让多模态 Agent 学会猜对结果，却忽略图像和视频证据。Argos 把验证器直接放进数据筛选与强化学习环节，使训练目标从结果正确扩展到过程有据可查。
Argos 按样本组合规则评分器与教师模型，检查最终答案、对象的空间位置、事件的时间位置以及推理是否与观察一致。Microsoft 报告其在空间推理、视觉幻觉、机器人规划和具身任务中改善表现，并减少仅依赖结果奖励时出现的 reward hacking。
多模态 Agent 进入机器人、驾驶与桌面执行后，验证器会成为训练和上线评测的独立基础设施；仅有任务成功率不足以证明系统在新环境中可靠。
评估视觉或机器人 Agent 时，应要求供应商提供答案正确率、证据定位、推理一致性和 reward hacking 的分项结果，而不是只展示最终任务成功率。
需要独立复现其跨模型和真实机器人收益，并继续测量教师模型偏差、验证成本、错误奖励及对长任务泛化的影响。