OpenVLHarness 透過多模態記憶與工具使用提升 MLLM 效能
為什麼值得讀 此框架透過將模型錨定於外部證據，解決僅靠內部推理的局限性，並以更低的 token 成本提供顯著的效能提升。
OpenVLHarness 利用持續性記憶與異質工具整合，將多模態模型分數提升高達 12.6 分。
標籤 · #tool-use
MidTool：透過中期訓練增強代理能力
為什麼值得讀 本研究顯示，專為強大代理工具使用而設計的中期訓練至關重要，為僅依賴後期訓練方法的大型語言模型提供了更優的替代方案。
MidTool 引入中期訓練流程，結合網路資料與合成 API 監督，顯著提升 Qwen3 模型的通用工具使用能力。