マルチモーダルLLMにおける視覚ツール利用の因果的検証と課題
arXiv cs.AI ・ 2026-08-06
原題: The Illusion of Visual Tool-Use: A Causal Audit of Thinking with Images
AI による要約
画像のクロップやズームといった視覚ツールを用いるマルチモーダルLLMの思考プロセスを因果グラフに基づいて検証した。視覚ツール利用はトークンコストを増大させる一方で、直接推論と比べて性能向上効果が乏しいか逆効果になるケースがあることが示された。ステップレベルの指標「Visual Evidence Gain」を通じて、得られた視覚的根拠の真の寄与度を評価している。
この要約は当サイトの AI が生成したものです。正確な内容は 元記事（arXiv cs.AI）をご確認ください。