Tag · 6 篇
工具增强推理
VULCAN：面向迭代式三维物体布局的工具增强多智能体
VULCAN: Tool-Augmented Multi Agents for Iterative 3D Object Arrangement
把 MLLM 的 3D 操作能力从脆弱的原始代码生成转为函数级 API 调用，并引入视觉工具构成感知反馈闭环，为视觉研究者提供了一条「用工具调用弥补 MLLM 3D 视觉定位短板」的可复用范式。
SpaceTools：通过双重交互式强化学习实现工具增强的空间推理
SpaceTools: Tool-Augmented Spatial Reasoning via Double Interactive RL
提出双阶段交互式强化学习框架，让视觉语言模型通过探索和反馈学习协调多种视觉工具（深度估计、分割、姿态估计），为视觉任务中的工具增强推理提供了可复用的训练范式。
REVISOR：超越文本反思，面向长视频理解的多模态内省推理
REVISOR: Beyond Textual Reflection, Towards Multimodal Introspective Reasoning in Long-Form Video Understanding
把纯文本的自我反思扩展为跨文本与视觉片段的反思过程，并用 Dual Attribution Decoupled Reward 在 GRPO 中约束推理与所选视频证据的因果对齐；做长视频 VQA 或多模态推理的工作可以直接借用这套「视觉片段回溯 + 解耦奖励」的强化学习框架，无需额外监督微调或外部模型。
META：面向长视频理解的工具轨迹自适应元进化
META: Meta Evolution of Tool Trajectory Adaptation for Long-Video Understanding
对做长视频理解的视觉研究者，这篇提供了免训练、模型无关的智能体框架：把重复出现的多步工具调用轨迹抽象为可复用的宏工具，并把失败轨迹蒸馏成结构化失败先验来约束后续工具选择，从而在不更新参数的情况下缩短推理链、提升时序感知能力，可直接套用到现有 VLM 的长视频问答流程上。
从经验中学习选择视觉工具
Learning to Select Visual Tools from Experience
VisTA 将工具选择建模为强化学习问题，利用可验证奖励（RLVR）端到端训练视觉智能体，使其能根据查询动态组合工具库中的工具。对视觉研究者而言，这提供了一种无需人工标注的、经验驱动的工具编排范式，可迁移到需要多工具协同的复杂视觉推理任务（如图表理解、几何推理）。
GeoMMBench 与 GeoMMAgent：面向地球科学与遥感专家级多模态智能
GeoMMBench and GeoMMAgent: Toward Expert-Level Multimodal Intelligence in Geoscience and Remote Sensing
GeoMMBench 提供了覆盖多学科、多传感器、多任务的遥感多模态问答基准，可用于系统评估 MLLM 在遥感领域的感知与推理短板；GeoMMAgent 展示了如何通过工具增强的多智能体框架（集成检索、感知、推理）提升复杂遥感任务的性能，为视觉-语言模型在专业领域的落地提供了可复用的范式。