教了认图，没教搭配：新的招数自己长出来了

看图答题的多模态模型最近几年撞上了一堵墙。墙不在于看不看得见——模型看得见；在于看不见的时候不会主动凑近看。人类看不清远处一行小字，会走近两步；图表里的柱子太密，会拿手指着一行行数。模型呢？盯着一帧静态图片从头推理到尾，看不清就是看不清，硬猜。

业界的解法是给模型配工具：放大、裁剪、旋转，做成几个固定的函数接口，模型判断什么时候调哪个。这解法有效但有天花板——工具是写死的，什么时候能用、参数长什么样、能怎么组合，全在开发者的流程图里定好了。模型像个被发了一整套工具箱、但每件工具都拴着绳子的学徒。

字节联合北航、西湖大学的论文 CodeDance 把绳子剪了：不用固定接口，让模型自己写代码。

代码当尺子用

思路展开只有一层：视觉操作本来就是计算。裁一块图是坐标运算，放大是采样运算，数一群鸟是检测加计数运算。既然是计算，最通用的表达就是代码——模型遇到需要动手的视觉任务，直接生成一段可执行的 Python：调裁剪函数切出感兴趣的区域，调放大函数看细节，调画框函数把推理的中间结果画在图上给自己看。

这一换的实质是自由度。固定接口的世界里，工具能做什么由开发者定义；代码的世界里，工具能做什么由模型当场决定。论文的对比直接摆在标题级：CodeDance 超过一排固定工具接口的开源模型，也超过闭源的 GPT-4o。

训练分两段。第一段监督微调，教原子能力：数数、定位、在图上做标注——单独的、拆散的动作。第二段强化学习，让模型自己串。

第二段里有个设计值得单独说。此前的方法有个两头挨骂的通病：简单题也狂调工具，白白烧 token；难题又不调，硬着眼瞎猜。CodeDance 给工具调用配了个难度自适应的奖励：难题调工具有加分，简单题乱调倒扣分。多长本事配多长的链子。

没教的组合，冒出来了

真正让人坐直的是训练完成后的事。论文报告了三种「计划外」的行为，都是强化学习过程中自己长出来的，训练数据里没有、也没人专门微调过。

一，新的工具例程：模型自发使用训练时没出现过的调用序列。二，没见过的组合：一个查房子颜色的例子里，模型先调定位操作确认「房子在这个位置吗」，再裁剪放大看细节——这套先验证再聚焦的组合，训练里没人教过。三，跨任务迁移：在某一类任务上练出来的看图套路，自己用到了没见过的任务上。

教的是单个动作，长出来的是连招。这个现象论文用了「涌现」这个词，而且给了消融实验佐证——不是数据泄漏，是训练目标催生的。

对「工具使用能不能被教出来」这个争论，这是一票有意思的证据：原子动作要教（第一阶段的作用），但组合策略教不了也最好别教——留出组合的自由度，让奖励去筛选，连招自己会长。

数字与边界

七 B 模型的成绩单，挑几行硬的。视觉计数基准从底座同款 7B 的 76.5 涨到 91.2，超过 GPT-4o 的 87.9，也超过自家 72B 版本的 93.6 线下；另一个计数基准直接从 50.4 拉到 77.1，比 72B 的 62.3 高出十五个点——数数这种需要逐个点验的任务，代码循环比视觉直觉稳。找细节的 V* Bench 上 84.8，超过 GPT-4o 的 67.5，与 72B 持平。高分辨率的 HR-Bench 两档都明显超过 7B 底座和 GPT-4o。

边界也要摆：图表问答 CharXiv 上 44.1，仍低于 GPT-4o 的 47.1 和 72B 的 49.7；细看对比表，专攻放大操作的 DeepEyes 在 V* Bench 上还压它一头。它赢在「通用」——七项基准全线没有明显短板，单项冠军各有其主。

两笔诚实备注：论文去年十二月挂出、四月更新、CVPR 2026 接收，视频今天讲「字节新作」是晚了几个月的回放，不算新闻；开源仓库三十四颗星、七个月没更新、没有开源许可证，代码能用，但「开源开放」成色一般。

判断给模型，计算给代码

把这篇放进更大的图里看。视觉推理工具化走到今天有两派：一派把工具做成固定接口，模型在里面选——安全，但天花板是开发者的想象力；一派让模型直接写代码，工具变成代码库里的函数——自由度全给，风险是代码可能写飞。CodeDance 站第二派，且交出了第一派打不过的数字。

这个分叉在别的领域已经演过一遍：机器人决策里「代码即策略」的路线，让模型看图、让代码算动作，判断和计算各归各位。CodeDance 是同一个思路在视觉推理上的版本：模型决定看什么，代码执行怎么看。固定接口像是替模型把错题空间提前删掉，代码像是把整张草稿纸给它——学费是多几步试错，买来的是从「会用工具」到「会组合工具」的那一档。

连招自己会长，但先得给它长连招的地方。

信源：arXiv 2512.17312（v1 2025-12，v2 2026-04-01，CVPR 2026 接收）；北航×西湖大学×字节（新加坡+中国），Qi Song、Honglin Li 共同一作，Zilong Huang、Yunqing Zhao 通讯；底座 Qwen2.5-VL-7B；对比表含 GPT-4o、Qwen2.5-VL-7B/32B/72B、DeepEyes-7B、Pixel Reasoner-7B、Thyme-VL-7B；七基准：CountBench/PixmoCount/V Bench/HR-Bench 4K/8K/ChartQA/CharXiv；GitHub CodeDance-VL/CodeDance（34★，最后推送 2026-03）。*