multimodal-tool-utilization

스트림에서 관찰한 시각적 실체를 기준으로 외부 이미지 검색·텍스트 검색 같은 툴을 호출해 스트림 내에는 없는 정보를 결합하는 과정으로서, 시각적 앵커와 검색 결과의 정합성이 성능을 좌우한다.