10月28日消息，近期 Prime Intellect RL Residency 发布研究《Visual Harnesses Are Compositional Generalizers》，重新审视视觉语言模型（VLM）的扩容范式。

研究指出：单纯增大模型参数量，主要提升答案输出的可靠性，但很难拓展模型能够解决问题的范围；而Visual Harness（视觉框架）通过图像裁剪、缩放、测量等工具，把复杂视觉问题拆解为简单子任务，可以拓展模型可解问题的覆盖范围，但需要配合充足推理算力，才能兼顾准确率与稳定性。

当下主流视觉语言模型在物体识别、文本读取等简单任务表现尚可，但面对需要多步组合推理的复杂视觉问答时效果不佳。一种观点认为缺陷来自模型底层能力不足；而该研究给出另一种解释：并非模型完全不具备能力，而是缺少把复杂难题拆解为模型熟悉子任务的机制。

传统 VLM 流程将整张图片经过视觉编码器转为图像 Token，该编码过程会丢失大量细粒度视觉信息，即便信息被保存，大语言模型也未必可以将表征转化为正确答案。

Visual Harness 为此引入一套工具集，允许模型对原图做裁剪、放大、像素测量，重新提取局部细节，把复杂全局问题拆解成一系列局部简单子问题，实现组合泛化。

研究基于WorldBench数据集开展实验，该基准包含 2000 道视觉问答，覆盖感知提取、关系理解、逻辑定量推理、知识语义四大类别。测试对象包含 Qwen‑3.5 4B/9B、Qwen‑3.6 27B、Qwen‑3.5 397B 以及 GPT‑6 Luna。实验采用 Pass@1（一次尝试正确率）、Pass@8（八次尝试至少一次答对）两个核心指标衡量模型表现。

在不启用视觉框架的基线条件下：模型规模上涨，主要带来Pass@1 提升（单次回答可靠性提升），而代表问题覆盖能力的 Pass@8 基本持平。说明扩参让模型更容易稳定输出正确答案，但并不会解锁大量全新类型难题。

在 Qwen 系列上接入 Visual Harness 之后：Pass@8 明显上涨，代表更多问题至少可以被模型在多次尝试中解出来；但 Pass@1 没有提升甚至小幅下滑。这意味着虽然解锁了更多可解问题，但模型调用工具的行为不稳定，不同轮次之间结果波动大，部分尝试会错误调用工具。

而 GPT‑6 Luna 的实验证明该短板可以被克服：调高推理算力（medium 及以上推理等级）之后，Pass@1 与 Pass@8 同步上涨。最高 xhigh 推理档位下，开启框架后 Pass@1 从 57.1% 提升至 63.5%，Pass@8 由 75.4% 提升至 82.4%。

推理算力越高，模型调用图像裁剪、缩放工具的频次越高，多轮调用、多步拆解的占比随之增加，可以稳定复用框架带来的能力增益。

实验同时观察到：即便开启高等级推理，很多原本完全无法解答的题目，依旧只能做到部分轮次答对，很难做到八次尝试全部正确。说明 “找到一套可行解题路径” 与 “稳定复现这套路径” 仍是两个独立的技术难点。