UniPat AI开源SWE-Vision：五百行代码打造SOTA视觉智能体！|AI|推理_新浪科技

机器之心报道

多模态大模型在代码能力上进步惊人，但在基础视觉任务上却频繁失误。UniPat AI 构建了一个极简的视觉智能体框架 ——SWE-Vision，让模型可以编写并执行 Python 代码来处理和验证自己的视觉判断。在五个主流视觉基准测试中，SWE-Vision 均达到了当前最优水平。

官网链接：https://unipat.ai
博客链接：https://unipat.ai/blog/SWE-Vision
开源地址：https://github.com/UniPat-AI/SWE-Vision

01｜模型看得见，却没法精确处理

多模态大模型的代码能力在过去一年取得了惊人进展 —— 独立搭建项目、排查 bug、完成复杂重构，表现已可比肩资深工程师。然而在 "理解视觉世界" 这件事上，它们的表现远没有代码能力那样可靠。UniPat AI 此前发布的多模态基准 BabyVision 就揭示了这一现象：模型常常给出大段看似合理的推理，却在最基础的计量、计数和空间关系判断上出错。

UniPat AI 此前发布的多模态理解 benchmark BabyVision 已被多个近期发布的重磅模型产品纳入评测体系，并在其技术报告中被引用，体现了社区对这一问题的广泛关注。

当我们仔细审视 BabyVision 中模型出错的案例时，可以发现一个关键点：问题往往是 "模型看见了，却无法精确处理"：

阅读柱状图时，模型能感知到 "大约 75%"，但无法精确计算比值；
在复杂场景中计数时，模型可能识别了每一个物体，但在逐一清点时出错；
描述空间位置时，模型能给出定性判断，但难以稳定进行距离计算和几何推理。

面对这些错误，人类通常会怎么做？

掏出工具：画辅助线、作出标记、用尺测量、用笔计算。

这个观察引发了一个关键猜想：既然模型已经极其擅长编程，能否让它用代码 —— 这个它最熟悉的工具 —— 来弥补视觉处理中的精度短板？

SWE-Vision 正是对这一猜想的系统性验证。

其结果令人瞩目：在五个不同的视觉基准测试中 —— 涵盖基础感知、图表推理、数学问题解决、空间理解和复杂的多步骤视觉挑战 ——SWE-Vision 均提升了前沿 LLM 的表现，如 GPT-5.2-xhigh 和 Seed-2.0-Pro，并取得了最先进的结果：在 BabyVision 上达到 64.4，在 MathVision 上达到 94.0，在 Zero-Bench-Sub 上达到 50.1，在 OmniSpatial 上达到 69.0，在 CharXiv-RQ 上达到 82.5。

02｜SWE-Vision 是什么：一个「极简视觉智能体」

SWE-Vision 并不需要再造一堆专用视觉工具，而是把要做的事压缩到极简：

2.1 工具层：只保留两个工具

config.py 里定义的工具只有两个：execute_code 和 finish。

execute_code：让模型在一个可持续保留状态的 Jupyter 环境里执行 Python
finish：当模型确信答案正确时输出最终答案

这里最关键的不是 “能执行代码”，而是工具接口本身非常小、非常通用。SWE-Vision 没有给模型塞一堆专用视觉 API，而是只暴露一个模型本来就很熟悉的动作：写 Python。

2.2 控制层：一个标准的 agentic loop

agent.py 里的 VLMToolCallAgent 实现了完整的循环：先把用户问题和图片组织成消息；然后调用支持 tool use 的聊天接口；如果模型发起 execute_code，就把代码送到 notebook 内核执行；再把执行结果作为 tool message 回流给模型；模型据此决定继续调用工具还是 finish。repo 里默认 tool_choice="auto"，并支持 reasoning 模式；在开启时会把推理 effort 设为高档，并允许最多 100 轮迭代。

2.3 执行层：Docker 里的持久化 Jupyter kernel

kernel.py 不是简单 exec () 一段代码，而是正经启动一个 Docker 容器，再在容器里拉起 ipykernel。宿主侧通过 jupyter_client.BlockingKernelClient 连接这个内核，并从 IOPub /shell 通道收集执行结果。内核是持久化的，变量、导入、图像对象和中间结果都能跨多次 execute_code 保留；同时代码运行在隔离的 Docker 环境里，宿主与容器通过挂载目录交换文件。kernel.py 还会在启动后做 health check，并把 matplotlib 后端配置成 inline，以便抓取图像输出。

简单来说，SWE-Vision 不强迫模型每题都写代码，但给它一个随时可用并且熟悉的 “视觉工具库”。

03｜一次请求在系统里到底怎么流动：从看图推理到带图循环验证

SWE-Vision 像一个会看图的数据科学家，其完整工作流如下：

1. 用户给问题 + 图片

2. 模型先思考：这题能不能直接答？需不需要计算 / 验证？

3. 需要就调用 execute_code：在 Notebook 里用 PIL / NumPy /matplotlib 等做分析

4. 代码输出（数值 / 报错 / 可视化图）回流给模型

5. 模型继续迭代，直到调用 finish 给最终答案

它有几个关键设计：

有状态的执行环境：变量、导入、图片加载都能跨多次调用保留
Docker 沙箱：确保可控安全环境 + 复现性；
Image-in / Image-out：意味着模型不仅能读取输入图像，还能将自己生成的可视化结果回传给自身进行验证 —— 这是实现自我纠错的关键；
OpenAI function calling 标准接口：保证了与主流模型的开箱即用兼容性。

这套设计的价值在于：允许模型像一个真正的科学家一样，先做实验再下结论。

04｜为什么 stateful notebook 比一次性 code executor 更关键

很多人第一次看 SWE-Vision 会觉得，它不过是在 VLM 外面加了个 Python 工具。真正的差别其实在于 stateful。在 SWE-Vision 中内核状态会在多次调用间保留；这意味着模型可以像人类分析师那样分步工作：第一轮先读图、检查尺寸；第二轮裁剪局部、看边缘；第三轮统计颜色或测距离；第四轮画辅助线做确认；最后再生成答案。

如果代码执行是无状态的，这种多步分析会非常笨重：每一步都要重新导入库、重载图片、重建变量，模型也更难维护中间假设。SWE-Vision 通过持久化 kernel，把 “多轮工具调用” 变成了 “同一个 notebook 会话里的连续实验”。从工程实现上看，这也是它为什么能处理图表测量、空间关系和复杂多步视觉任务，而不只是做一次性的 OCR 或检测。

05｜SWE-Vision 的关键在于「能验证自己的视觉判断」

在 SWE-Vision「观察科学图表、总结规律」的案例中，我们看到了一种截然不同的行为模式。如下图所示，这是科研场景中常见的图表分析任务：我们要求模型判断，在 Quarters = 15 时，哪一张子图中红色虚线与黑色实线之间的差距最大。

SWE-Vision 智能体给出了一套极其严谨且可解释的解法。首先，它排除了不存在红色虚线的子图（d）；随后，对每一张候选子图在 Quarters = 15 处精确绘制辅助线，定位红线与黑线的交点；接着，通过可执行代码精确计算两条曲线在该位置的数值差距；最终基于计算结果给出正确答案。

这种 “先结构化分析、再程序化测量、最后数值验证” 的思维与行动闭环，与传统视觉语言模型依赖直觉式 “瞪眼观察” 直接给出答案的方式形成鲜明对比。它不仅显著提升了结果的可靠性与可解释性，也展示出更高的能力上限与更强的泛化潜力。

06｜为什么极简设计反而更强

SWE-Vision 的一个重要结论是：对视觉任务而言，加入通用代码工具，是提升前沿多模态模型视觉能力的一个有效 test-time scaling 方向。

它之所以有效，恰恰在于其极简：

工具数量少，决策边界清晰；
工具语义与模型已有能力高度一致；
支持多轮迭代和状态积累；
中间结果可被再次观察，而不是一次性返回文本；
不绑定某个特定 benchmark 的专用手工策略。

这与很多 “为了某类视觉任务单独发明一套工具接口” 的方法不同。这些方法往往在某些窄任务上能提升，但泛化性不足；而 SWE-Vision 的目标，是提供一个尽可能通用的视觉增强框架，让模型自己决定何时调用代码、如何组织分析步骤。

07｜五大基准全线提升：更加通用的 “视觉能力增强器”

SWE-Vision 在五个覆盖面很广的视觉基准上进行了评测（基础感知、图表、数学、空间、综合多步推理），核心发现高度一致：引入代码执行能力，能系统性地抬升前沿模型的视觉表现上限。

在对比实验中（同一模型 vs SWE-Vision），SWE-Vision 对两个前沿的视觉语言模型（GPT-5.2，Seed-2.0）都带来显著提升：

“反直觉” 的一点是：

提升幅度最大的，往往不是最复杂的高阶推理任务，而是最基础的感知和精确处理能力 —— 例如 BabyVision 中的计数、颜色识别和空间关系判断。这类任务人类靠直觉加简单工具就能稳定完成，而模型仅凭 "语言化视觉" 则极易忽略细节、数错个数、缺乏验证手段。

SWE-Vision 的结果也给我们揭示了另一种可能：

对于视觉来说，测试时扩展（test-time scaling，TTS）不一定只能靠 “多想几段文字”，也可以靠 “多写几行代码” 来看得更精细。

08｜未来的发展方向：让 “代码增强视觉” 变成视觉智能体的原生能力

与用于训练多模态 LLMs 的传统数据（基本上是问题，图片，答案三元组）不同，训练视觉智能体模型需要多模态交错的智能体轨迹。它还需要一个交互式环境来支持强化学习、工具使用和评估，使模型不仅能学习回答问题，还能学习感知、行动和反思，要彻底释放 “工具增强视觉” 的潜力，模型需要更多深度交织的视觉 - 编程 SFT/RL 数据与环境，来学会感知、行动和反思。

具体而言，下一步的关键方向包括：