Artificial Analysis 分析工具使用對模型評測的影響

Artificial Analysis 公佈了 VIALS-AA 在帶工具條件下的評測結果，讀者可據此對比不同模型的任務得分、單任務成本與工具呼叫情況。該基準用於衡量模型在生命科學視覺推理任務上的表現。

想比較模型在帶工具場景下的價效比，可以從這份結果看起。

Artificial Analysis 的評測顯示，加工具會讓每個模型的單任務成本上升，但幅度差異很大：Fable 從每任務 0.73 美元升至 4.20 美元，相差 5.8 倍；Astra 從 0.21 美元升至 0.27 美元，Sol 從 0.05 美元升至 0.06 美元。材料稱倍數最大的是 Qwen3.8 Max（0902，xhigh）。

按任務算成本時，工具呼叫帶來的價格差可能遠超預期。

Artificial Analysis 發現，工具帶來的提升主要給了那些不帶工具時得分最低的模型。無工具得分低於 31% 的十個模型平均每任務約呼叫 42 次工具，而得分較高的七個模型平均約 23 次。其中 MiMo-V2.6-Pro 提升幅度最大，無工具時得分僅 5%。

工具呼叫的收益並不均等，選模型時要看它在基線上的位置。

Artificial Analysis 指出，工具對計數類任務的作用最明顯，這類任務需要對大量小目標做精確清點。帶工具時模型可以裁剪影像、讀取畫素級強度並進一步處理影像，在程式碼中完成計數；不帶工具時只能靠目測估算。

說明工具在哪些任務上真正補上了模型的能力短板。

Artificial Analysis 稱，在 VIALS-AA 上去掉工具後，Claude Fable 5.2 的得分低於帶工具的 Claude Haiku 5.5。整體上，工具使用讓各模型平均得分幾乎翻倍，從約 25% 提升到約 47%。VIALS-AA 是該機構對 Handshake AI 生命科學視覺推理基準 VIALS 的實現版本。

一個更小的模型配上工具就能反超旗艦，工具與模型要一起評估。