VIALS-AA: Những con đường khác nhau để suy luận hình ảnh khoa học

VIALS-AA phân tích cách 19 mô hình suy luận trên hình ảnh khoa học, phân loại 9.177 lần chạy thử của các lệnh gọi công cụ. Xem hình ảnh chiếm 38,3% số lệnh gọi và chuẩn bị hoặc đo lường hình ảnh chiếm 47,3%, trong khi đo lường hình ảnh chỉ chiếm 5–6% số lệnh gọi đối với GPT-6 Astra (max) và GPT-6.1 Sol (max), so với 25–27% đối với Claude Opus 5.5 (max) và Claude Sonnet 5.5 (max). Gemini 3.8 Flash (high) tạo ra 86,7% số lệnh gọi bình luận/không thao tác của nhóm, và chi phí cho mỗi tác vụ thay đổi gần 100 lần giữa các mô hình.