OpenVLHarnessが視覚エージェントの道具利用を提案

OpenVLHarnessは、能力レイヤーと永続的なマルチモーダルメモリを組み合わせた推論ハーネスで、MLLMが異種ツールから得た視覚的証拠を取得、検査、合成しながら推論できるようにする。22のベンチマークと8つのバックボーンで評価され、ツールを使わないベースラインに比べて平均スコアを9.7〜12.6ポイント向上させた。GPT-6 Luna（medium推論強度）は、最大強度のベースモデル、Codex、Visual Sketchpadを7.7〜8.5ポイント上回り、モデルトークンのコストは最大でも37%にとどまる。

Hugging Face Daily Papersより

推移を表示するための継続的な観測データがまだ足りません。