VTC-Bench：通过组合式视觉工具链评估智能体型多模态模型

近期的进展使多模态大语言模型（MLLM）超越标准视觉问答，开始利用外部工具完成高级视觉任务。尽管有这些进展，为复杂任务精确执行并有效组合多样工具仍是持续存在的瓶颈。受限于稀疏的工具集与简单的工具使用轨迹，现有基准无法捕捉复杂多样的工具交互，难以在贴近实际的现实条件下评估模型性能。为弥合这一差距，我们提出VisualToolChain-Bench（VTC-Bench），一个旨在评估MLLM工具使用熟练度的综合基准。为与真实的计算机视觉流水线对齐，我们的框架提供32种基于OpenCV的多样视觉操作。这一丰富的工具集支持大量组合，使VTC-Bench能够严格评估多工具组合与长程多步骤计划执行。为实现精确评估，我们提供680道精心整理的问题，按九类认知层级组织，每题均带有真值执行轨迹。在19个领先MLLM上的大量实验揭示了当前模型视觉智能体能力的关键局限。具体而言，模型难以适应多样工具集并泛化到未见过的操作，最领先的模型Gemini-3.0-Pro在该基准上也仅达到51%。此外，多工具组合仍是一个持续存在的挑战。面对复杂任务时，模型难以制定高效的执行计划，严重依赖熟悉功能中狭窄且次优的子集，而非选择最优工具。通过识别这些根本性挑战，VTC-Bench建立了一个严格基线，以指导更具泛化能力的视觉智能体模型的开发。