利用机器心理意象表征情境对话中的共同基础

情境对话要求维护共享上下文的可靠表征，而非仅推理孤立话语。现有代理常因将细粒度区别压缩为纯文本而导致“表征模糊”，无法持久跟踪共享语境。受人类心理意象启发，本文提出一种主动视觉支架框架，将对话状态增量转化为可检索的持久视觉历史。IndiRef 基准评估表明，该混合多模态方法通过减少表征模糊并强制具体场景承诺，显著提升了 grounded 响应生成性能。