Artificial Analysis 分析工具使用对模型评测的影响

Artificial Analysis 公布了 VIALS-AA 在带工具条件下的评测结果，读者可据此对比不同模型的任务得分、单任务成本与工具调用情况。该基准用于衡量模型在生命科学视觉推理任务上的表现。

想比较模型在带工具场景下的性价比，可以从这份结果看起。

Artificial Analysis 的评测显示，加工具会让每个模型的单任务成本上升，但幅度差异很大：Fable 从每任务 0.73 美元升至 4.20 美元，相差 5.8 倍；Astra 从 0.21 美元升至 0.27 美元，Sol 从 0.05 美元升至 0.06 美元。材料称倍数最大的是 Qwen3.8 Max（0902，xhigh）。

按任务算成本时，工具调用带来的价格差可能远超预期。

Artificial Analysis 发现，工具带来的提升主要给了那些不带工具时得分最低的模型。无工具得分低于 31% 的十个模型平均每任务约调用 42 次工具，而得分较高的七个模型平均约 23 次。其中 MiMo-V2.6-Pro 提升幅度最大，无工具时得分仅 5%。

工具调用的收益并不均等，选模型时要看它在基线上的位置。

Artificial Analysis 指出，工具对计数类任务的作用最明显，这类任务需要对大量小目标做精确清点。带工具时模型可以裁剪图像、读取像素级强度并进一步处理图像，在代码中完成计数；不带工具时只能靠目测估算。

说明工具在哪些任务上真正补上了模型的能力短板。

Artificial Analysis 称，在 VIALS-AA 上去掉工具后，Claude Fable 5.2 的得分低于带工具的 Claude Haiku 5.5。整体上，工具使用让各模型平均得分几乎翻倍，从约 25% 提升到约 47%。VIALS-AA 是该机构对 Handshake AI 生命科学视觉推理基准 VIALS 的实现版本。

一个更小的模型配上工具就能反超旗舰，工具与模型要一起评估。