ROVER：为基于基础的多图像推理路由以对象为中心的视觉证据

针对多模态大模型在多图像推理中局部化视觉证据的局限性，本文提出 ROVER，一种轻量级可学习插件。该方法通过注入特定步骤的令牌三元组，协同聚合推理上下文、利用对象中心差分注意力提炼图像内线索，并在视觉工作空间中路由整合跨对象及跨图像的历史感知证据。实验表明，ROVER 在 MM-GCoT 和 VideoEspresso 基准上显著提升了回答与定位准确率，且具备强大的迁移能力。