多模態評測
視覺模型呼叫裁切工具不等於使用證據，六模型增益集中於少數有效軌跡
新研究以反事實裁切與觀察破壞測試視覺工具是否真正影響答案，發現部分模型只是「呼叫但不看」。六款模型在五項細粒度基準的整體增益，主要由少數校準良好的軌跡貢獻。
多模態模型開始在推理途中主動裁切、放大圖片，但工具呼叫紀錄本身不能證明模型利用了回傳畫面。上海人工智慧實驗室等團隊提出 CauAudit，把視覺工具流程拆成工具動作、回傳觀察與最終答案三個節點，再於政策、完整軌跡及單一步驟三個層級進行因果介入。
政策層比較開啟工具與直接作答；軌跡層把每次回傳影像換成隨機裁切；步驟層則在固定先前推理的情況下替換單一觀察，計算 Visual Evidence Gain，檢查新畫面是否真的改變答案偏好。研究涵蓋 DeepEyes、Pixel Reasoner、Mini-o3、Qwen3-VL 4B／8B 與 Thyme，並使用五項細粒度視覺基準。
結果揭露兩種錯配。「Calling Without Looking」表示模型雖呼叫工具，觀察內容對答案幾乎沒有因果效果；「Looking Without Planning」則是畫面確實有用，但模型在已有答案後繼續裁切，或一路耗盡呼叫額度。以 V* 為例，Mini-o3 與 Qwen3-VL-8B 分別有 84.8% 與 59.2% 的軌跡撞上工具上限。研究把軌跡分成未呼叫、兩種失敗模式與 Calibrated 四組後，發現 Calibrated 是四款完整受測模型中唯一一致帶來正向增益的群組；Qwen3-VL-8B 的總增益為 6.9 個百分點，其中 7.6 點來自這一組，其餘群組合計反而抵銷部分收益。
這對代理訓練與評測的含意是：工程團隊不能只統計工具使用率或最終準確率，還要測試答案對工具回傳值是否敏感，並追蹤停止時機。作者推測只看最終結果的強化學習可能同時獎勵有效與儀式化呼叫，但尚未透過控制訓練實驗證實。論文雖稱已開源，GitHub 目前僅有 README 與授權檔，因此數據處理及介入流程仍待完整程式釋出後才能獨立重現。