도구 증강 추론 (Tool-augmented reasoning)은 멀티모달 거대 언어 모델 (Multimodal Large Language Models, MLLMs)의 추론 능력을 향상시키기 위한 유망한 방향으로 부상했습니다. 그러나 기존 연구들은 주로 모델이 도구를 호출할 수 있도록 하는 데 집중할 뿐, 도구 호출의 필요성에 대해서는 간과하고 있습니다. 우리는 도구 사용이 항상 유익한 것은 아니라고 주장합니다. 불필요하거나 부적절한 호출은 추론 오버헤드 (reasoning overhead)를 크게 증가시키고 심지어 모델의 예측을 오도할 수 있기 때문입니다. 이 문제를 해결하기 위해, 우리는 각 쿼리의 특성에 따라 도구 호출 여부를 적응적으로 결정하는 모델인 AutoTool을 소개합니다. 강화학습 (Reinforcement Learning, RL) 프레임워크 내에서, 우리는 모델이 정확한 응답을 생성하도록 유도하기 위해 모드별 보상 함수 (mode-specific reward functions)를 갖춘 명시적인 이중 모드 추론 전략을 설계했습니다. 또한, 단일 추론 모드로의 조기 편향을 방지하기 위해, AutoTool은 훈련 과정 전반에 걸쳐 도구 보조 (tool-assisted) 추론과 텍스트 중심 (text-centric) 추론을 공동으로 탐색하고 균형을 맞추며, 후기 단계에서는 자유로운 탐색을 촉진합니다. 광범위한 실험을 통해 AutoTool이 뛰어난 성능과 높은 효율성을 보여줌을 입증했습니다. V* 벤치마크에서 베이스 모델 대비 21.8%의 정확도 향상을 기록했으며, POPE 벤치마크에서는 기존의 도구 증강 방법들보다 44.9% 향상된 효율성을 나타냈습니다. 코드는 https://github.com/MQinghe/AutoTool 에서 확인할 수 있습니다.