OpenVLHarness: Tác vụ công cụ của tác nhân thị giác trong thế giới thực với bộ nhớ đa phương thức

Các mô hình ngôn ngữ lớn đa phương thức đã tiến bộ nhanh trong suy luận thị giác, nhưng nhiều nhiệm vụ cần bằng chứng mà suy luận nội tại khó cung cấp. Nghiên cứu đánh giá có kiểm soát trên 22 benchmark và cho thấy chỉ tăng ngân sách suy luận của mô hình nền tảng thường không đủ.