不要显示像素，显示提示：通过感知程序解锁语言模型中的视觉工具推理

多模态语言模型 (MLLM) 越来越多地与视觉工具（例如深度、流程、对应）配合使用，以增强视觉推理。然而，尽管可以使用这些工具生成的视觉提示，MLLM 通常无法从中受益。现有方法通常将原始工具输出输入到模型中，但这些密集的像素级表示与 LLM 的语言原生推理优势不一致，导致感知较弱并依赖于语言先验。我们认为，在视觉工具可以提供必要的视觉提示的问题中，瓶颈不是更多的工具调用或更大的 MLLM，而是工具输出的表示方式。我们引入了感知程序 (P$^2$)，这是一种与模型无关的 无需训练 方法，它将工具输出重写为紧凑的、结构化的、语言本机的摘要，以便 MLLM 可以直接解析和推理。在 BLINK 中的六个以感知为中心的任务中，P$^2$ 始终比基本模型和原始工具增强基线产生了巨大的改进。以 GPT-5 Mini 为基础模型，P$^2$ 的多视图推理准确率从 41.35\% 提高到 86.47\%，相对深度从 52.42\% 提高到 81.45\%，跨任务平均增益达到 22\%，创下了新的最先进结果。即使在较小的 MLLM 上，例如 InternVL3.5-4B 和 Qwen3VL-4B，我们也观察到 P$^2$ 的绝对增益为 15-40%，超过了先前的代理、监督和基于 RL 的工具使用方法——无需任何训练或模型修改。