看到证据，却错过答案：工具引导的视觉语言模型关于视觉错觉

视觉语言模型（VLM）在面对经典的视错觉时表现出系统性偏差：无论图像是否经过反事实修改，它们都压倒性地将错觉预测为“真实”。我们为 DataCV 2026 挑战赛（任务 I 和 II）提出了一个工具引导的推理框架，该框架无需任何 模型训练 即可解决这种故障模式。现成的视觉语言模型可以访问一小组通用图像处理工具：线条绘制、区域裁剪、并排比较和通道隔离，以及幻觉类型路由系统提示，该提示规定了每个感知问题类别调用哪些工具。至关重要的是，每个工具调用都会生成一个附加到持久注册表的新的、不可变的图像资源，因此模型可以在整个推理链中引用和组成任何先前带注释的视图。这种通用工具加路由的设计不是硬编码特定于错觉的模块，而是产生了强大的跨结构泛化：从验证集到包含结构上不熟悉的错觉变体的测试集，性能保持一致（例如，马赫带从垂直堆叠旋转到水平堆叠）。我们进一步报告了三个我们认为值得进一步研究的经验观察结果：（i）强烈的阳性检测偏差可能源于不平衡的错觉训练数据，（ii）像素精确的空间推理和自我生成注释的逻辑推理之间的显着分离，以及（iii）对导致误报的图像压缩伪影的明显敏感性。