从边界框到视觉推理：一种面向视觉语言模型的在线策略数据标注工具

视觉语言模型正朝着复杂的接地结构化视觉推理发展，但这需要统一空间坐标、开放词汇描述及拓扑关系的新数据。针对现有标注工具表达能力有限、注训分离及数据复用性差的问题，本文提出开源工具 ScreenAnnotator。该工具定义了统一标注原子模式，嵌入贝叶斯验证器的在线策略循环，并设计模板驱动的多任务数据合成流程。实验表明，该方法显著提升了标注接受率与效率，微调后的模型在流程图任务上准确率大幅提升，有效推动了视觉推理能力的发展。