论文页面 - Evidence-RL: Towards Evidence-intensive Visual Reasoning

来源：https://huggingface.co/papers/2608.08021

摘要

视觉语言模型（VLMs）应当基于具体的图像证据进行回答，而非依赖语言先验、数据集捷径或无关的视觉背景。现有的感知感知型后训练方法通过全局扰动或注意力代理来鼓励使用图像，但它们并未检验采样得到的答案是否因果地依赖于支撑它的局部证据。我们提出了反事实证据解耦（Counterfactual Evidence Disentanglement, CED），一种用于VLM接地（grounding）的训练时证据审计方法。对于每个回答，CED会中和一个以对象为中心的证据区域（Evidence Region），并将由此产生的支持度下降与匹配的非证据区域进行比较。我们将该信号与GRPO内的答案正确性相结合，奖励那些依赖证据路径而非捷径或干扰路径的正确答案。CED使用弱对象级提议，无需针对具体问题的证据标注，并且不增加推理时开销。在九个公开基准和四个骨干网络上，CED优于先前基于RL的后训练方法，针对性分析验证了其以对象为中心的信号。

查看 arXiv 页面 (https://arxiv.org/abs/2608.08021) 查看 PDF (https://arxiv.org/pdf/2608.08021) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2608.08021)

在您的 agent 中获取此论文：

hf papers read 2608\.08021

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

未找到关联此论文的模型

在模型的 README.md 中引用 arxiv.org/abs/2608.08021，即可从本页面链接到该模型。

引用此论文的数据集 0

未找到关联此论文的数据集

在数据集的 README.md 中引用 arxiv.org/abs/2608.08021，即可从本页面链接到该数据集。

引用此论文的 Space 0

未找到关联此论文的 Space

在 Space 的 README.md 中引用 arxiv.org/abs/2608.08021，即可从本页面链接到该 Space。

包含此论文的收藏集 0

没有收藏集包含此论文

将此论文添加到收藏集 (https://huggingface.co/new-collection)，即可从本页面链接到它。