500行极简开源框架，硬刚GPT/Gemini视觉极限！

背景：多模态大模型在代码能力上表现优异，但在基础视觉任务上频繁失误，存在“看见但无法精确处理”的问题。研究目的：UniPat AI构建了极简视觉智能体框架SWE-Vision，旨在让模型通过编写和执行Python代码来验证视觉判断，提升视觉任务精度。结论：SWE-Vision在五个主流视觉基准测试中均达到最优水平，证明引入通用代码工具能系统性提升模型视觉表现，尤其增强了基础感知和精确处理能力，为视觉智能体发展提供了新方向。