教 AI 学会使用工具，带图推理就能变得更强？！

港中文、微软联合 8 家单位推出OpenThinkIMG 开源框架，这是一个专为提升 AI 视觉工具使用和推理能力而设计的一站式平台。

众所周知，我们人类在解决问题时，常常会借助视觉工具：解几何题时画辅助线，分析图表时用荧光笔标记。这些 " 动手 " 操作，极大地增强了我们的认知和推理能力。

因此，一旦将同款 " 动手操作 " 能力赋予 AI，其推理能力也将大大提升。

不过问题是，虽然现在已经有很多强大的视觉工具（分割、检测、OCR 等），但让 AI 真正学会如何以及何时智能地使用这些工具，却面临巨大挑战：

工具集成难：不同工具接口各异，想把它们整合到一个 AI 系统里，费时费力。

训练数据缺：教 AI 用工具，需要大量 " 示范操作 " 数据。这种数据怎么来？质量如何保证？

模型适应差：传统方法训练出的 AI，往往只会 " 照本宣科 "，遇到新情况就傻眼，缺乏灵活应变和自主学习的能力。

而 OpenThinkIMG 框架的出现正是为了解决上述问题，与此同时，团队还公开了其核心的自适应工具使用训练技术V-ToolRL。

下面具体来看。

OpenThinkIMG：为 AI 打造的 " 超级工具箱 "

如框架图所示，OpenThinkIMG 集工具部署、数据生成、智能体训练于一体。

其核心特性如下：

第一，模块化视觉工具部署 ( Tool Deployment ) 。

简单来说，它提供标准化的视觉工具接口，无论是已有的成熟工具（如 GroundingDINO, SAM, OCR 等），还是你自己的新工具，都能轻松接入 OpenThinkIMG 的 " 工具箱 "。

并且每个工具都可以作为独立服务部署，互不干扰，方便管理和按需扩展。AI 模型可以通过框架内的 " 工具控制器 " 按需调用。

第二，高效的智能体训练框架 ( Training Framework ) 。

它不仅支持传统的监督微调 ( SFT ) ，更集成了团队创新的 V-ToolRL ( Visual Tool Reinforcement Learning ) 算法。

这一算法让 AI 通过强化学习，在与视觉工具的真实交互中，从错误中学习，自主探索和掌握最佳的工具使用策略。

具体而言，需要先通过 SFT 进行 " 理论学习 "（冷启动），然后通过 V-ToolRL 进行 " 上路实操 "，根据任务完成情况获得奖励或惩罚，不断优化策略。

第三，支持高质量训练数据生成 ( Scalable Trajectory Generation ) 。

为了给 V-ToolRL 提供优质的初始 " 教材 "，OpenThinkIMG 内置了一套团队提出的高效、可扩展的视觉工具使用轨迹生成方法。

具体过程分为三步：

AI 规划师 ( GPT-4o ) 出马：先让大模型规划出解决问题的初步工具步骤。

工具真实执行与记录：调用 OpenThinkIMG 中的工具服务，实际执行规划，并记录下每一步的输入输出。

严格质检与筛选：结合 AI 模型（如 Qwen2-VL-72B）、规则和人工审查，层层把关，确保数据质量。

△高质量视觉轨迹数据构建流程

通过 OpenThinkIMG 的这些核心能力，研究者和开发者可以更专注于模型算法的创新，而不必在工具部署和数据准备上耗费过多精力。

OpenThinkIMG + V-ToolRL：表现超过 GPT-4.1

团队在具有挑战性的图表推理任务上，使用 OpenThinkIMG 框架训练了基于 V-ToolRL 的智能体。

如图所示，V-ToolRL 在 ChartGemma 测试集上的性能表现（基于 OpenThinkIMG 训练）如下：

1、大幅超越 SFT：基于一个 2B 的 Qwen2-VL，经过 V-ToolRL 训练后，准确率比单纯 SFT 提升了28.83个百分点；

2、碾压同类开源模型：V-ToolRL 的表现平均超过了如 Taco、CogCom 等基于监督学习的工具使用基线12.7个百分点，而且团队的模型参数量更小；

3、媲美顶尖模型：V-ToolRL 的表现超过 GPT-4.1，同时和 Gemini 达到持平的效果。

结果充分证明了 OpenThinkIMG 框架的强大支撑能力，以及 V-ToolRL 在学习自适应工具调用策略上的优越性。

那么，V-ToolRL 是如何在 OpenThinkIMG 中学习的呢？

通过 OpenThinkIMG 的训练环境，团队观察到 V-ToolRL 智能体展现出以下学习特性： ( a ) 工具调用更高效 ( b ) 推理更详尽 ( c ) V-ToolRL 学习更快更好。

具体而言，随着训练的进行，模型平均调用的工具次数显著下降，说明它学会了 " 好钢用在刀刃上 "，只在必要时才使用工具。

而且模型生成的答案（包括思考过程）长度增加了，表明它能够进行更详细、更深入的推理。

最后，V-ToolRL（集成了视觉工具的反馈）相比纯文本的强化学习，学习速度更快，最终效果也更好，证明了 " 眼见为实 " 的重要性。

下图展示了 V-ToolRL 在具体问题上的表现。面对复杂的图表，V-ToolRL 能够：

饼图分析 ( 上 ) ：通过 ZoomInSubfigure 放大关键区域，再用 OCR 精准读取数值，最终正确计算出差异，而直接解读的模型则容易出错。

折线图趋势 ( 下 ) ：利用 Point 定位数据点，DrawVerticalLineByX 辅助比较，准确找出趋势相同的类别。

△V-ToolRL ( 上侧工具辅助 ) vs GPT-4.1 ( 下侧直接解读 )

这些案例生动地展示了 V-ToolRL 如何通过结构化的工具调用，实现比直接视觉解读更准确、更可解释的推理。

小结一下，OpenThinkIMG 框架的核心贡献在于：

1、一个开放、强大的工具部署与训练平台：解决了工具集成和智能体训练的难题。

2、内置高效数据生成方法：为模型训练提供高质量 " 燃料 "。

3、V-ToolRL 作为核心训练算法：使 AI 能够真正学会自主、智能地使用视觉工具。

团队表示，OpenThinkIMG 将为开发能够真正 " 用图像思考 " 的下一代 AI 智能体提供坚实的基础设施。

未来，他们将继续扩展 OpenThinkIMG 支持的工具和模型，探索更复杂的任务场景，并期待与社区共同推动这一激动人心的领域向前发展。

论文第一作者苏肇辰为苏州大学三年级研究生，香港科技大学准博士生，在 NeurIPS、ACL 等国际顶级会议上发表多篇研究成果。项目通讯作者为港中文成宇教授。

技术报告：

https://arxiv.org/pdf/2505.08617

GitHub 仓库：

https://github.com/zhaochen0110/OpenThinkIMG

数据集和模型：

https://huggingface.co/collections/Warrieryes/openthinkimg-68244a63e97a24d9b7ffcde9

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

点亮星标

科技前沿进展每日见