「Diversity Over Frequency: Rethinking Tool Use in Visual Chain-of-Thought Agents」と題した論文が arXiv:2606.00096v1 として公開され、ICML 2026 での発表が決まっている。著者は Dong-Hee Kim 氏ら3名で、2026年5月25日に投稿された。分野はコンピュータビジョンとパターン認識（cs.CV）および人工知能（cs.AI）にまたがる。本研究は、視覚的思考連鎖（visual chain-of-thought）の中で外部の視覚ツールを呼び出す視覚エージェントの振る舞いを対象とし、単純な視覚検索よりも複雑な推論タスクにおいてツールが果たす役割を掘り下げている。
従来の研究は主に視覚検索タスクにおけるツール利用を扱ってきたが、本論文は3次元空間推論や医療画像に基づく視覚質問応答といった、より難易度の高いタスクへと調査範囲を広げている。こうしたタスクでは、エージェントはツールを通じて得た局所的な細粒度の証拠と、全体のグローバルな文脈とを統合する必要がある。つまりツール呼び出しは単なる補助ではなく、推論の連鎖の中でトレードオフを伴う要素となる。
研究で最も重要な発見は「ツール使用の崩壊（tool-use collapse）」と呼ばれる現象である。学習が進むにつれてモデルは次第にツールを使わなくなる一方で、タスクの精度はむしろ向上していく。さらに著者らは明確な非対称性を観察している。第一に、ツール使用を完全に排除すると性能は低下する。第二に、ツール使用を積極的に促すと利用回数は大幅に増えるものの、性能の向上はごくわずかにとどまる。
この一見矛盾した現象を説明するため、著者らは学習時のロールアウトの多様性を分析した。その結果、通常の素朴な学習とツール使用を促す学習のいずれもロールアウトの多様性を低下させることが分かり、これが「ツールをより多く使っても推論性能が強くならない」理由であると結論づけている。多様性が乏しければ、言語生成とツール呼び出しの両面での探索空間が狭まり、より良い推論経路を見つけにくくなる。
これらの知見に基づき、著者らは多様なロールアウト探索を促すエントロピー正則化項を学習に追加した。実験の結果、ツール使用が徐々に減少していくにもかかわらず、この手法が最良の性能を達成した。また医療視覚質問応答においても同様のダイナミクスが確認され、ツール使用の崩壊は3次元空間推論に限った現象ではないことが示唆されている。
総じて本研究は、ツールを「足場（scaffolding）」として捉える学習時の視点を提示している。言語生成と視覚ツール呼び出しの両方でより広い探索を行うことが推論性能を高めるのであり、最終的にツール使用が崩壊しても問題ではない。重要なのはツールが呼ばれる頻度ではなく、モデルが十分な探索の多様性を保てているかどうかである。プロジェクトページは https://scaffolded-exploration.github.io で公開されている。