AI领域最近新出了不少让人惊喜的突破，其中最让人眼前一亮的，是小型模型在视觉推理上的表现。以AdaReasoner为例，这个小模型竟然在拼图任务上打败了GPT-5。为啥能做到呢？秘诀在于它学会了什么时候该用工具，而不是单纯靠堆参数或者刷数据量。以前那种固定套路——遇到啥任务就硬套哪个工具——稍微变一变场景就没用了。AdaReasoner把这“用啥、啥时候用、怎么用”都当作一种能力来训练，彻底解决了这个老问题。 最近谷歌那边也发话了，要把“代理视觉”（Agentic Vision）这种新本事塞到他们的Gemini3Flash里头。这对多模态AI来说可是个大变动。以前都是干巴巴地去识别图像，现在模型有了主动权，可以一边想一边动一边看。核心思路是这样的：先琢磨用户的指令和画面内容，订个调查计划；接着用Python代码动手改图；最后检查改完后的结果，看看有没有更靠谱的视觉证据。这个流程可以反复好几轮，直到收集齐足够的资料能回答问题为止。 有意思的是，AdaReasoner和Agentic Vision在怎么用工具这件事上想到了一块去。这两件事都说明了一个趋势：以后大家做推理的时候，光靠脑子想可不行，得靠主动拿工具来帮忙。AdaReasoner不光是验证了这个路子，还发明了一套法子让开源的小模型也能学会这一手。 在多模态推理这块儿，模型老是得面对“细节看得清”和“推理能跟上”的两难选择。看不清楚细节就没法提供足够的证据，结果推出来的答案自然就模糊不清。AdaReasoner把用工具这事儿引出来后，局面就变了。工具不再是个帮手那么简单，它是让推理从瞎蒙变成去查证的关键。 具体咋弄呢？它用了三招设计来强化这种能力。第一招叫ToolColdStart（TC），就是让模型在训练数据里体验犯错再修正的过程，好让它学会在现实里反思。第二招是Tool-GRPO（TG），主要是用来优化多轮工具的调用顺序，让它在多次操作时能更顺畅地推理。最后一招是Adaptive Learning（ADL），通过随机换工具名和描述来逼迫模型去学语义而不是死记硬背。 实验结果也很亮眼：在几个基准测试里比那些基础模型强多了，特别是在结构化推理这种对逻辑性要求高的任务里几乎拿了满分。最牛的是它那种自适应的劲儿：不光会挑合适的工具用，还能根据任务需要调整用的频率，甚至在情况不对的时候直接把没用的工具扔掉。 靠着这些新点子，AdaReasoner给咱们展示了怎么在小模型里塞进那种大模型才有的推理本事，特别是在情况捉摸不定的时候能拿工具去验证和规划。技术进步越来越快以后，未来的多模态AI肯定更依赖主动用工具的能力。这不仅是技术在往哪个方向走的问题，也是以后人和机器配合干活的重要一步。