12:23
官方账号arXiv cs.AI@Kaixin Ma, Di Feng, Alexander Metz, Jiarui Lu, Eshan Verma, Afshin Dehghan
推荐理由：苹果推出了MM-ToolSandBox框架，帮你测测视觉智能体到底行不行，结果很扎心：最强模型成功率不到一半，而且问题出在“看图”而不是“想事”。
MM-ToolSandBox
共 1 条相关 AI 资讯
7月14日
12:23
MM-ToolSandBox是一个面向视觉驱动工具调用智能体的基准与评估框架，提供包含500多个工具、覆盖16个应用领域的有状态执行环境，支持多图像、多轮任务。框架通过自动场景生成流程产出258个人工验证的标准场景和50个交互式UI变体。评估12个模型（从4B开源到前沿闭源）后发现，最佳模型成功率仍低于50%。失败分析表明53%的失败源于图像信息提取错误，而非规划问题；小模型主要失败在决策，大模型则失败在感知。