穿越幻象：一种用于鲁棒误导性图表问答的双路径智能体框架

针对视觉语言模型在误导性图表问答中面临的挑战，本文提出 ChartCynics，一种基于“怀疑式”推理范式的双路径智能体框架。该框架将感知与验证解耦：诊断视觉路径通过策略性区域裁剪捕捉结构异常，而 OCR 驱动数据路径确保数值基础。为解决跨模态冲突，引入经两阶段协议优化的智能体总结器，有效惩罚视觉陷阱并强制逻辑一致性。实验表明，该方法显著提升了开源模型的鲁棒性与准确率，超越了现有最先进专有模型。