Screenshots or Tools?

论文在 OSWorld-MCP 的 309 个任务上固定工具集合，只改变模型能否及如何调用文本工具，并重复运行 5 次。工具令推理模型提升 4.0 个百分点，却让非推理模型下降 5.9 个百分点；前者实际只在 55/309 个任务中调用工具，而可由工具触达的任务占 23.9%。经上下文压缩和再训练后，得分从 33.0 升至 37.8，输入成本降至原来的 53%，显示关键不是工具数量，而是模型是否会判断何时值得付出调用成本。