看见 AI 主动裁剪、放大图片，很容易觉得它在认真找证据。但动作像推理，不等于动作有用：有时模型只是摆弄了一圈图片，最后仍按原先的猜测作答，还付出了更多 token 成本。
Wang 等人把这种视觉工具调用画成因果图——用箭头区分“新画面影响答案”和“仅仅调用工具就改变答案”两条路径，再替换或破坏工具返回的画面，看答案是否跟着变化。审计覆盖六个模型和五项细粒度视觉基准。一个直观结果是，Qwen3-VL-4B 在 HR-Bench-8K 上启用工具后准确率为 75.3%，低于直接回答的 76.9%；DeepEyes 在 V* 上则同为 83.3%。
作者发现两类典型失灵：模型可能“调用却不看”，返回画面并未因果性地影响答案；也可能“看了却没规划”，在答案已经正确后继续操作，或反复裁剪无关区域。作者据此提醒，整体分数上涨主要集中在少数工具使用得当的样本中，不能证明多数可见操作都构成了有效推理。