你使用工具的AI模型正在让简单问题变得更难

让一个多模态模型回答它本来就能回答的问题，得体的做法就是直接作答。KlingTeam的一篇新论文指出，太多的智能体推理模型会优先调用工具。代价是可衡量的：在从未需要帮助的问题上耗费多余的算力，并且在模型本就正确的场景中引入了更多出错的机会。

该论文于2026年7月30日发布在arXiv上，题为“Beacon: Knowing When and How to Perform Agentic Visual Reasoning”，重新思考了多模态大语言模型（MLLM）在视觉推理中应如何使用工具。其核心主张是，目标是在复杂任务上取得更高的成功率，而不是构建更花哨的推理流水线。当直接回答就能解决问题时，建立一个在每一个问题上都串联工具调用的智能体，就失去了意义。

工具使用的两个维度

作者提出了用于评估智能体视觉推理的两个特性。模式自适应性（Mode Adaptiveness）衡量模型能否识别工具真正必要的场景并相应调用，从而在提升挑战性问题表现的同时避免不必要的计算开销。工具效果（Tool Effect）衡量工具使用的实际影响：工具应当在纯文本推理无法解决的问题上扩展模型的能力，同时在模型无需工具就能处理的问题上避免引入额外错误。

他们对现有智能体视觉推理模型的分析发现，这两个特性都较为欠缺。模型在模式自适应性上表现有限，工具在困难样本上带来的收益，在很大程度上被模型本已能解决的简单样本上的损害所抵消。换言之，业界那种给所有问题都强行套上工具的本能不仅浪费资源，还会主动降低最简单案例上的准确率, , 而这些案例通常构成真实流量的主体。

为什么Beacon的行为与众不同

Beacon的构建来自这两个观察，而非更大的工具箱。它的训练使用强化学习，核心包含两个机制：必要性感知自适应奖励（Necessity-Aware Adaptive Reward）和提示引导的能力扩展（Hint-Guided Capability Expansion）。前者鼓励基于任务必要性的自适应工具调用，后者则强化模型在最具挑战性问题上的工具使用能力。

这种设计既是一个模型架构问题，也是一个激励问题。如果模型只因为给出正确答案而获得奖励，它就不会内化不必要工具调用的代价，因此会继续调用。Beacon的奖励结构将克制纳入训练信号，并只在真正需要的场景中保留工具训练。

在多个不同的基准测试中，作者报告称Beacon实现了更强的整体表现，并在模式自适性和工具效果两方面都取得了显著提升，带来了真正的工具诱导性能收益，而不是仅仅改变正确答案实现方式的工具使用。

实际启示

这篇论文最有用的贡献可能在于其评估视角。任何在MLLM之上构建智能体的人，都熟悉那种充满工具调用的日志，而这些问题人类用一句话就能回答。Beacon的框架将这种烦恼转化为两个可衡量的数字，让团队能够判断自己的智能体是把工具用作杠杆还是拐杖。当工具效果数值接近于零时，工具层就只是装饰品。

这些观点并不是反对工具。有些问题仅靠纯文本推理无法解决，论文明确指出，正是在这类问题上扩展模型的能力，才是工具的用武之地。关键在于校准：最好的智能体不是能做最多的那个，而是知道哪些事情自己可以完成、哪些事情必须借助外力的那一个。