画出你所见：评测多模态智能体中的灵巧视觉工具使用

评估正从静态问答转向模型借助外部工具行动的Agentic场景。我们识别出该领域一项关键但研究不足的能力——灵巧视觉工具使用：细粒度、闭环的参数化视觉动作，模型从视觉证据推断工具参数，而这些参数直接决定最终结果。现有基准覆盖网页导航、GUI操作与软件工程，但很少针对视觉证据与执行精度之间的这种耦合。我们提出EASEL基准，评估灵巧视觉工具使用的一个受控实例，其主代理任务为参考图引导的视觉重建：智能体逐步在画布上作画以匹配参考图像。EASEL还包含涵盖区域标注、手写与路径规划的语义任务。我们进一步提供EASEL-Data——一个44万样本、两阶段课程式、面向轨迹监督的数据集——以及EASEL-9B，用以考察其对这一能力的影响。对25个模型的评测显示，当前多模态智能体在EASEL上普遍表现不佳。重建相似度停留在低水平（0.40-0.54），轨迹诊断则暴露出严重的闭环不稳定性——模型通常早期即饱和或在峰值后退化。语义任务揭示了精确标注与路径规划上的明显能力边界。在EASEL-Data上训练的EASEL-9B较基座模型相对提升6.3%，在所有受评模型中排名第三。