UltraVR：用于证据支撑推理的诊断性超分辨率图像视觉问答基准

视觉语言模型在常规基准表现优异，但在关键证据微小、分散的超高分辨率图像中能力尚不明确。现有评估多关注最终答案准确率，缺乏对证据获取与整合过程的洞察。本文提出 UltraVR，一个面向超高分辨率图像的证据支撑视觉推理诊断基准，涵盖监控、遥感、病理及工业检测四大场景。该基准提供结构化思维链标注，将推理分解为证据定位、局部感知等步骤，实现过程级诊断。评估显示当前模型在证据 grounding 环节失败率高，而提供中间事实后推理能力显著恢复。