AutoVQA-G：用于自动视觉问答与定位标注的自我改进智能体框架

高质量视觉问答与定位（VQA-G）数据集的手动标注对推进视觉语言模型至关重要，但难以扩展。现有自动化方法常受限于模型幻觉导致的数据一致性差，以及基于简单启发式的脆弱验证机制。为此，本文提出 AutoVQA-G，一种用于自动 VQA-G 标注的自我改进智能体框架。该框架采用迭代优化循环：一致性评估模块利用思维链推理进行细粒度视觉验证；基于反馈，记忆增强的提示优化智能体分析失败样本的批评意见，逐步精炼生成提示。实验表明，该方法生成的数据集在视觉定位准确性上优于主流多模态大模型。