VLM 能否内化工具调用？「用图像思考」研究登陆 COLM

一项将在 COLM 展示的研究探讨视觉语言模型（VLM）能否在 latent space 中直接内化调用正确工具的效果，从而在推理时无需显式调用工具。该方向让 VLM 借助工具调用实现「用图像思考」，作者 Ashutosh 将在 COLM 做报告，推文另附详细线程。