结论
加州大学洛杉矶分校与苹果团队在 Asia/Shanghai 10月20日首次公开预印本OpenVLHarness，研究多模态大模型如何通过外部工具获取可解释、可复用的多模态证据，而非仅靠增加推理预算。作者报告，在22个多模态基准、8个开源与闭源主干上，接入该框架后平均分较匹配的无工具基线提升9.7至12.6分，其中Qwen3-VL-8B提升11.2分、Kimi K3提升9.7分、GPT-6 Astra提升9.9分；在GPT-6 Luna中等推理力度下，框架以至多37%模型token成本，超越基座模型、Codex与Visual Sketchpad在最大力度下7.7至8.5分。以上为作者在受控评测中的结论，为预印本v1未经同行评审，也未经本站独立验证，不应视为视觉推理能力的普遍定论。
方法与评估条件
论文提交记录为2026年10月19日17时59分58秒UTC，对应北京时间2026年10月20日01时59分，满足当日首次公开门槛。研究对象是面向真实视觉任务的推理框架，而非新模型发布。作者提出两部分设计：能力层将任务级工具接口与证据渲染结合，把分割掩膜、深度图、检索网页等异构后端输出转为带可视化、简述与结构化信息的模型可读观察；持久多模态记忆将图像、结构化数据与网页引用注册为可复用句柄，供后续步骤按引用复用，并由Python代码智能体在存储数据上执行跨工具组合计算，形成获取、检查与组合证据的迭代过程。评测覆盖接地感知、视觉搜索与深度研究、通用问答与幻觉、空间推理四类共22个挑战性基准，使用8个不同规模的开源与闭源多模态主干，对照均为匹配的无工具基线与相同主干的推理力度设置，成本以22基准上1000查询rollout平均模型token度量。
主要结果
作者围绕推理预算、整体增益与成本效率报告结果。第一，对照实验显示单纯增加基座推理预算收益递减：基座从超高推理力度升至最大力度时，模型token花费乘以2.7，平均分仅提升0.7分，作者据此认为进一步进展需要更好的任务相关证据获取。第二，接入框架后22基准平均分一致提升9.7至12.6分，在Qwen、Kimi与GPT家族上均成立，Qwen3-VL-8B、Kimi K3与GPT-6 Astra的具体增益分别为11.2、9.7与9.9分，并优于已有视觉工具基线。第三，以GPT-6 Luna为例，中等推理力度加框架的得分超过基座、Codex与Visual Sketchpad在最大力度下的得分7.7至8.5分，同时模型token成本至多为后者的37%。作者还报告消融中能力层与记忆均有增量，证据获取与推理力度扩展互补，并展示两种不更新主干权重的领域特化工作流。Qwen3-VL-8B、Kimi K3、GPT-6 Astra与Luna在文中仅为受测主干，不是本次发布的新模型。
- 22基准8主干上较匹配无工具基线平均提升9.7至12.6分，Qwen3-VL-8B加11.2分、Kimi K3加9.7分、GPT-6 Astra加9.9分；基座从超高升至最大力度花费2.7倍仅提升0.7分，单纯加预算收益有限；GPT-6 Luna中等力度加框架超越三类基线最大力度7.7至8.5分，模型token成本至多37%；能力层与持久记忆消融均有增益，框架、工具、评测协议与两种免更新权重的特化工作流已开源。
局限与适用边界
本研究为预印本v1，未经同行评审，所有数字限本次冻结实现、特定工具后端组合与8个受测主干版本，不得推广为全部多模态模型或全部视觉任务的普遍结论。数据范围限22个受控基准与固定评测协议，真实部署中的长尾实体、密集小目标计数、外部检索质量与领域分布偏移尚未验证。成本对比仅统计模型token均值，未含感知模型、检索引擎与代码执行等工具后端的计算、费用与延迟，网络与服务变化可能改变效率结论。框架依赖同一主干生成的代码在留存产物上计算，工具调用量、上下文占用与失败恢复行为与任务领域相关，跨域使用需经提示、工具描述与输出模板的检索式特化适配，长期稳定性仍待验证。
是否同行评审与潜在意义
截至核验时，该工作状态为预印本，arXiv页面明确为v1，无会议或期刊接收信息，编辑将其归为预印本而非已获同行认可的事实。若后续能被独立复现，其意义在于为视觉智能体补上一条可操作路径：从只靠模型内推理与增大预算，转向以统一接口加可视化渲染保证工具结果可检查、以持久记忆保证底层产物可复用，调试、文档问答、网页研究与空间测量可直接引用其能力划分定位短板；开源的框架、工具、评测协议与特化工作流也为自建领域助手提供起点。实际采用仍需在自有任务分布、工具成本与延迟约束下重测，并保留人工复核，中国读者参考时应注意基准多为英文与公开网页场景，与中文文档与境内服务迁移性尚未验证。