Hugging Face 开源智能体框架 smolagents 正式支持视觉多模态模型

Hugging Face 宣布其开源智能体框架 smolagents 正式支持视觉语言模型（VLM），让智能体能够在执行管线中原生处理图像。框架支持在启动时通过 run 方法直接传入图像列表，也支持通过每步回调函数将网页截图等动态图像写入记忆观察。官方提供了结合 helium 浏览器自动化工具与 Qwen2-VL 等模型构建自主网页浏览 Agent 的完整示例。