Evidence-RL：迈向证据密集型视觉推理
摘要
本文介绍了反事实证据解耦（CED），这是一种训练时方法，使视觉语言模型依赖具体的图像证据而非语言先验或捷径，从而提升跨基准的视觉推理grounding能力。
查看缓存全文
缓存时间: 2026/08/11 02:18
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。
相似文章
重新思考隐式视觉推理：将隐式推理锚定于视觉证据
本文指出了多模态大语言模型隐式视觉推理中的「隐式证据-信用鸿沟」，并提出 ReaLVR，通过对比正确/错误答案以及相关/不匹配图像，为自由运行的隐式轨迹引入视觉证据监督。ReaLVR 在三大模型系列上均优于 LVR 基线（在 Qwen2.5-VL-7B 上五任务平均达到 63.7%），并能稳健地扩展到 2350 亿参数的前沿模型。
PixelEyes：解耦感知与推理，实现精准视觉证据搜寻
PixelEyes 提出了一种多轮视觉推理代理，通过掩码引导搜索和语义区域广度优先搜索解耦感知与推理，并引入新基准（Pinpoint-Bench）和数据集（PixelEyes-6K），以提升视觉证据搜寻中的定位能力。
Does More Retrieved Evidence Help Visual Retrieval-Augmented Generation with Diffusion Language Models?
The paper investigates whether retrieving more evidence helps visual retrieval-augmented generation with diffusion language models, finding that unconditionally expanding evidence hurts accuracy due to semantic conflict, and proposes a training-free Entropy-Based Candidate Filter (ECF) to selectively admit evidence, improving accuracy across benchmarks.
检索、整合与综合：空间-语义接地潜层视觉推理
本文介绍了 RIS，这是一个用于多模态大语言模型的空间-语义接地潜层视觉推理框架，旨在克服信息瓶颈。该框架提出将潜在令牌（tokens）锚定于空间和语义证据之上，在 V* 和 HRBench 等基准测试中展现出性能提升。
潜空间推理！让潜在视觉推理变得必要
本文介绍了因果视觉循环推理（CVRR），一种强制进行循环隐藏状态计算的视觉推理方法，它在基准测试中提升了性能，同时区分了潜在信息性和实际预测用途。