ToolFG：迈向根基扎实的细粒度图像分类

本文提出 ToolFG，首个专为细粒度图像分类（FGIC）设计的工具集成多模态大语言框架。该框架使模型能在推理中自主灵活地调用外部工具，主动与图像交互并收集可验证的视觉线索，从而更可靠地区分高度相似类别。为赋予此能力，作者设计了基于 MCTS 引导的工具使用知识蒸馏机制，从高级专有模型中挖掘相关知识；同时提出模型 - 工具协同进化机制，联合优化工具集与使用策略，使其相互适应并专用于 FGIC 任务。实验证明了该方法的有效性。