论文页面 - CURV：通过课程式视觉锚定推理增强图表理解

摘要

图表问答（CQA）要求多模态大语言模型（MLLMs）将视觉理解与逻辑推理相结合，然而当前模型难以实现准确的视觉锚定和连贯的推理链。虽然外部思维链提示和视觉线索能显著提升性能，但现有 MLLMs 缺乏内在的视觉锚定推理能力，导致感知不准确以及推理与视觉证据脱节。为解决这些局限，我们提出 CURV，一种课程学习框架，通过将 CQA 重构为多步骤视觉锚定推理来培养内在视觉推理能力，每一步通过空间注意力集中将逻辑推理与动态视觉锚定相协调。为辅助模型学习，我们进一步引入 CCQA，一个三级课程数据集，支持跨多样图表类型和推理模式的可扩展合成生成。我们的课程系统地从基础单操作推理推进到复杂的多图表组合任务。实验表明，CURV 相较于基线实现了高达 ↑20.50% 的提升，并能泛化到真实世界基准（高达 ↑12.30%）和域外多模态推理任务（高达 ↑10.20%），验证了将视觉推理与动态锚定内化以增强图表理解能力的有效性。代码可在以下地址获取：https://xhguo7.github.io/CURV/。

查看 arXiv 页面 (https://arxiv.org/abs/2608.02833) 查看 PDF (https://arxiv.org/pdf/2608.02833) 项目页面 (https://xhguo7.github.io/CURV/) GitHub0 (https://github.com/xhguo7/CURV) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2608.02833)

引用此论文的模型0

没有模型链接到此论文

在模型 README.md 中引用 arxiv.org/abs/2608.02833，以从此页面链接。

引用此论文的数据集0

没有数据集链接到此论文

在数据集 README.md 中引用 arxiv.org/abs/2608.02833，以从此页面链接。

引用此论文的 Spaces0

没有 Space 链接到此论文

在 Space README.md 中引用 arxiv.org/abs/2608.02833，以从此页面链接。

包含此论文的收藏0

没有包含此论文的收藏

将此论文添加到收藏 (https://huggingface.co/new-collection) 以从此页面链接。