看见·没看（CauAudit）

这首歌讲 The Illusion of Visual Tool-Use: A Causal Audit of Thinking with Images：模型会调用 crop-and-zoom，不等于返回的视觉证据真的改变了答案。论文把工具动作、返回图像和最终回答拆进因果图，再用 policy、trajectory、step 三层干预，追问「调用到底有没有看见」。1

研究覆盖 6 个开源视觉工具使用模型和 5 组细粒度感知基准。最刺耳的数字是：Mini-o3 在 VisualProbe 上比直接推理高 21.3 个百分点，但把每次返回图像替换成随机裁剪后，准确率从 55.0% 掉到 2.4%；论文还把轨迹分成「Calling Without Looking」与「Looking Without Planning」，并用 step-level 的 Visual Evidence Gain 量出单次观察的真实贡献。2

论文作者来自上海人工智能实验室、上海交通大学和上海创新研究院；第一作者 Zhiheng Wang，文中标注通讯作者为 Chaochao Lu。结论很锋利，证据边界也写得很清楚：step-level 诊断需要白盒 token 分数，目前只审计 crop-and-zoom，关于 outcome-only RL 导致失准的解释仍是待训练实验验证的假设。通勤时听这首，记住一句：动作有了，因果未必到场。 2