CaVe-VLM-CoT：一种可解释的视觉 - 语言模型框架

视觉 - 语言模型（VLM）易产生幻觉，输出流畅但视觉不忠实。现有方法缺乏步骤级引用验证及反馈修正机制。本文提出 CaVe-VLM-CoT，一种基于反思的代理式检索增强生成框架，通过五阶段闭环流程（提取、检索、求解、引用注入、验证）强制证据 grounding 推理。未接地主张触发结构化反馈以重新检索。文章还提出了包含 23 项组件指标的综合评估体系 CaVeScore。实验表明，该方法在 ScienceQA 和 MMMU 基准上显著提升了准确率与引用忠实度。