OpenVLHarness：具备多模态记忆和工具调用能力的实用型视觉智能体
一项涵盖 22 项基准测试的研究发现，仅增加推理预算对多模态语言模型完成许多视觉任务的提升有限。OpenVLHarness 将工具接口与持久化多模态记忆结合：前者把工具输出转化为模型可读的观察信息，后者保存图像、结构化数据和网页引用。代码接口还支持利用已存数据及多个工具的结果进行计算。在 8 种开源和专有模型上评估时，该系统相较于匹配的无工具基线，平均分提高了 9.7 至 12.6 分。使用 GPT-6 Luna 时，它还超过了多个以最高推理强度运行的对比系统，模型 token 成本最高仅为对方的 37%。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。