让文生图模型学会自己调用工具

当前文生图的 Agent 化探索分成两派：ComfyUI 工作流派把节点编排交给人类，模型只执行；AutoGPT 派把推理交给 LLM，但图像生成是黑盒调用。ToolArtist 的解法是让单一 UMM 同时掌握推理决策和视觉生成，本质是把"规划-工具调用-执行"压缩进一个模型权重里，避免了多模块协作的误差累积。

这个架构选择和 Janus、Show-o 等统一多模态模型的路线一致，但 ToolArtist 把工具使用能力也纳入了统一空间。如果开源，它可能成为替代 Stable Diffusion + ComfyUI 复杂工作流的轻量方案；如果闭源，则更像 Midjourney 下一代产品的技术预研。值得跟踪其工具调用准确率的具体数字和实际推理开销。