Dynamo：视觉 - 语言代理的动态技能 - 工具进化

本文提出 Dynamo，一种无需训练的框架，旨在适应冻结的视觉 - 语言模型（VLM）而无需更新权重。该代理通过检查自身在少量标记数据上的正确与错误尝试，动态演化两种互补能力：针对认知瓶颈的可复用推理技能，以及针对感知瓶颈的可执行视觉工具。生成的工具与指定调用时机的技能配对，并累积至持久库中。实验表明，Dynamo 在多个基准测试及 VLM 骨干网络上均显著提升了直接推理性能，并以极低计算成本缩小了与特定任务强化学习的差距。