提出MM-ToolSandBox,一个用于评估视觉工具调用代理的统一框架和基准,包含500+工具和16个应用领域,评估12个模型发现即使最强模型成功率仍低于50%,并指出视觉精度是主要瓶颈。
机构:Apple
来源:arXiv 2607.11818 | AI4Papers 论文推荐平台