视觉工具推理

不要展示像素，展示线索：通过感知程序解锁语言模型中的视觉工具推理

Don't Show Pixels, Show Cues: Unlocking Visual Tool Reasoning in Language Models via Perception Programs

提出将视觉工具输出（如深度、光流、对应关系）重写为紧凑、结构化的语言原生摘要，使多模态大模型能直接解析和推理，从而在BLINK等感知任务上大幅提升性能，为视觉-语言模型中的工具使用提供了免训练、模型无关的新范式。