用于组合式视觉语言理解的推理时结构推理

视觉语言模型在图像文本检索表现优异，但在区分词汇相同但关系结构不同的组合推理任务中持续失败。本文提出统一评估与增强框架，在 Winoground 基准上测试了四种架构多样的模型。我们引入基于依赖的文本场景图解析器提取主谓宾三元组，并利用图不对称评分器注入结构关系先验。实验表明，Qwen3-VL-8B-Thinking 结合多轮场景图过滤策略取得了 66.0 的分组得分，超越现有开源最先进水平。分析发现，场景图增强仅对已有能力的模型有益，对弱基线收益甚微或为负。