ToolFG：迈向坚实的细粒度图像分类

细粒度图像分类（FGIC）具有广泛的应用，并引起了广泛的研究关注。在本文中，我们通过提出 \textbf{ToolFG} 来探索解决 FGIC 的新范例，这是第一个针对 FGIC 量身定制的基于 MLLM 的工具集成框架。 ToolFG 使 MLLM 能够在推理过程中自主、灵活地使用外部工具，主动与图像交互，并收集可验证的视觉线索，以更 \textit{reliable} 和 \textit{well-grounded} 的方式区分高度相似的类别。为了使模型具备这种工具使用能力，我们设计了一种新颖的 \textbf{MCTS 引导工具使用 知识蒸馏 机制}，它可以从 模型训练 的先进专有 MLLM 中有效地挖掘工具使用和 FGIC 相关知识。此外，我们提出了一种 \textbf{模型-工具协同进化机制}，共同细化工具集和模型的工具使用策略，推动它们走向相互适应和 FGIC 专业化的状态。大量的实验证明了我们框架的有效性。