A-MAR：基于代理的多模态艺术检索用于细粒度艺术品理解

理解艺术品需要结合视觉内容与文化历史背景进行多步推理。针对现有模型依赖隐式推理的局限，本文提出 A-MAR 框架，显式地将检索过程建立在结构化推理规划之上。该方法首先将任务分解为指定目标和证据需求的规划步骤，进而引导针对性证据检索，支持逐步且可追溯的解释。此外，文章引入了 ArtCoT-QA 基准以评估多步推理能力。实验表明，A-MAR 在解释质量、证据 grounding 及多步推理方面均优于静态检索及强基线模型。