DART: адаптивный вызов визуальных инструментов через разногласия между моделями

Обнаружено: когда две VLM-модели спорят про одну картинку — это не шум, а точный диагностический сигнал о проблемной зоне восприятия. GPT-4o видит три человека, Claude — четырёх. Обычная дискуссия между ними буксует (обе модели одинаково плохо видят детали). DART позволяет использовать разногласия как карту: где модели не согласны — туда вызываем специализированный инструмент (object detection, OCR, распознавание атрибутов). Инструмент возвращает экспертный факт («на фото четыре человека, вот координаты»), модели пересматривают ответы с учётом этой информации — точность растёт без избыточных вызовов.