摘要
视觉检索增强生成（VRAG）赋能视觉语言模型处理富文本文档。针对复杂查询所需的多步推理，现有代理式 VRAG 面临视觉证据稀疏与长程搜索漂移两大瓶颈。为此，本文提出 VISOR 框架，包含用于渐进式跨页推理的结构化证据空间、视觉动作评估修正机制，以及结合滑动窗口与意图注入的动态轨迹策略以缓解搜索漂移。该方法基于 GRPO 强化学习训练，在多个基准测试中实现了长程视觉推理任务的最先进性能与高效性。
AI 推荐理由
论文核心解决多步视觉推理中的证据稀疏与长程漂移问题，提出跨页推理机制。
研究机构
Soochow University
Baidu Inc.
Beijing, China
Suzhou, China
论文信息