人工智能领域迎来一项突破性进展——李想汽车Base Model团队开发的UCT框架，让AI智能体首次具备了自主创造工具的能力。这项发表于arXiv平台的研究（编号：arXiv:2602.01983v1），通过构建"经验复用"机制，使AI在解决复杂问题时能够动态生成专用工具，而非依赖预设工具库。实验数据显示，该框架在959个高难度推理任务中，将基础模型性能提升最高达23.04%，标志着AI从工具使用者向创造者的关键转型。
传统AI系统在面对特殊需求时，往往因工具库的局限性而受阻。例如计算特殊曲线围成面积时，现有模型可能因缺乏专用工具而失败。UCT框架通过三个核心模块破解这一难题：在线任务循环作为"指挥中枢"，负责问题分析与行动决策；在线工具构建循环作为"智能车间"，根据需求自动生成工具代码与测试脚本；离线记忆整合模块作为"仓库管理员"，持续优化工具库结构。这种设计使AI在无需额外训练的情况下，通过经验积累实现能力跃迁。
工具质量控制是该系统的核心创新之一。每个新工具需经历严格的"生产流程"：自动生成的测试脚本会在沙箱环境中验证功能，AI评论员则从代码规范、逻辑严谨性等维度进行审查。若发现缺陷，系统会基于前序版本、测试反馈与评论意见进行迭代优化，直至通过全部质量关卡。这种机制确保了工具库中93.1%的工具至少被复用一次，86%的工具使用次数超过五次，形成具有实际价值的工具生态。
研究团队构建的TRBench评测基准，专门针对工具推理能力设计，包含数学、科学计算与视觉问答三大领域的959个挑战性问题。在求解曲线围成面积的积分问题时，UCT系统自动创建专用计算工具，准确率较传统思维链方法提升显著；处理放射性衰变计算时，系统能理解科学概念并生成数学模型工具；面对视觉问答中的对象识别需求，则可动态开发图像分析工具。实验表明，即使搭载Gemini-2.5-pro等强基模型，UCT框架仍能带来20.86%的性能增益。
工具库的演化过程印证了系统的自我优化能力。经过大量任务训练，系统自主构建出包含7大类、64子类与207个具体工具的生态体系。代数工具占比最高，几何工具形成专业化分支，统计分析工具则呈现精细化发展趋势。离线模块通过分析工具使用模式，自动合并功能重叠工具、淘汰低效工具，使工具复用率持续提升。这种有机生长机制，使系统在数学推理任务中的准确率从初始的60%逐步提升至90%以上。
尽管展现强大潜力，研究团队也指出系统现存挑战。自动生成工具在边界条件下仍可能存在误差，开放领域任务的适应性需进一步验证，工具库规模扩张带来的检索效率问题也需优化。不过，UCT框架的模块化设计为持续改进提供了基础——各组件可独立升级，基础模型能力的提升将直接转化为系统性能的增强。研究团队同步开放的TRBench基准，为全球AI研究者提供了标准化的工具推理能力评估平台。
这项突破重新定义了AI的能力边界。当传统系统还在遵循"输入-处理-输出"的固定模式时，UCT框架已构建起"学习-创造-优化"的闭环系统。其核心价值不在于解决特定问题，而在于开创了AI自主进化的新路径。正如研究论文所展示的，当AI能够根据需求创造工具时，它离真正理解问题本质、形成创造性解决方案的目标，已迈出关键一步。
