OpenVLHarness: мультимодальная память для визуальных ИИ-агентов

Статья описывает архитектуру OpenVLHarness (arXiv:2610.26860): вместо вставки сырых изображений и JSON в контекст инструменты сохраняют артефакты в локальное хранилище и возвращают лёгкие ссылки, а вычисления выполняет Python-песочница. На 22 бенчмарках это дало прирост точности 9,7–12,6 п.п. и сокращение расхода токенов на 63%.

• Артефакты хранятся вне контекста, модель получает только ссылки artifact_id
• Расчёты и геометрия выполняются в изолированной Python-песочнице
• Прирост точности 9,7–12,6 п.п. на 22 бенчмарках
• Расход токенов модели снижен на 63%