smolagents 新增视觉语言模型支持

Hugging Face 在其轻量级智能体框架 smolagents 中新增了对视觉语言模型（VLM）的支持。开发者现在可以使用 VLM 作为智能体的核心推理引擎，使其能够处理图像输入并基于视觉信息做出决策。该更新允许智能体在浏览网页、操作 GUI 或分析图表等场景中直接“看到”并理解视觉内容，而无需额外的 OCR 或图像描述模块。smolagents 保持了原有的简洁 API 设计，开发者只需替换模型配置即可启用视觉能力。这一改进扩展了智能体的感知范围，适用于自动化测试、数据提取、辅助工具等需要视觉理解的任务。