Hugging Face 为 smolagents 引入视觉语言模型原生支持

Hugging Face 宣布开源智能体框架 smolagents 正式支持视觉语言模型（VLM），使智能体能够在任务流程中原生处理图像。框架不仅支持在任务启动时批量传入图像，还允许通过步骤回调函数动态捕获浏览器截图并写入观测记忆。官方结合 helium 自动化工具与 Qwen2-VL 等模型，演示了让视觉智能体自主浏览网页并提取信息的实现流程。