像专家一样观察：一种用于开放集细粒度视觉理解的知识增强型智能体

细粒度视觉理解正从静态分类转向知识增强推理，要求模型不仅能识别还需提供依据。现有方法受限于封闭集分类和单标签预测，在开放集或上下文依赖场景下表现不佳。本文提出知识增强细粒度推理智能体（KFRA），通过三阶段闭环推理模拟专家分析：首先生成类别假设，接着利用全局到局部机制对齐文本知识与视觉证据以定位判别区域，最后在多模态大模型中整合证据进行可解释推理。KFRA 建立了检索与接地的耦合机制，将检索知识转化为空间接地证据。实验表明，该方法在推理准确率上提升达 19%，实现了事实性强且可解释的开放集细粒度视觉理解。