OpenVLHarness:带多模态记忆的视觉智能体工具调用框架

arXiv 论文提出 OpenVLHarness，一个围绕能力层和持久多模态记忆组织的视觉推理框架。它将异构工具的输出转换为模型可读的观察，并把图像、结构化数据和网页引用保存为可寻址产物，支持在查询全程调用。作者在 22 个基准上的对照实验显示，单纯增加基础模型的推理预算收益有限，说明工具调用是必要的。用 8 个开源和闭源骨干模型评估后，OpenVLHarness 平均比无工具基线提高 9.7-12.6 分，其中 Qwen3-VL-8B 提升 11.2 分、Kimi K3 提升 9.7 分、GPT-6 Astra 提升 9.9 分。以中等推理力度的 GPT-6 Luna，它在最大推理力度的基础模型、Codex 和 Visual Sketchpad 之上再高 7.7-8.5 分，且模型 token 成本不超过后者的 37%。