摘要
视觉语言模型在面对经典光学错觉时存在系统性偏差，常错误预测错觉为真实。本文提出一种无需训练的工具引导推理框架，通过赋予现成模型通用图像操作工具（如线条绘制、区域裁剪等）及路由提示，使其能生成并引用不可变的中间图像资源进行推理链构建。该方法在结构陌生的测试集上展现出强大的泛化能力，并揭示了检测偏差、空间推理与逻辑推断分离等实证现象。
AI 推荐理由
论文提出工具引导推理框架解决视觉错觉偏差，核心在于增强多步逻辑推理与证据整合能力。
研究机构
韦恩州立大学
密歇根大学
论文信息