摘要
视觉语言模型（VLMs）虽在基准测试中表现优异，但常被视为“黑盒”，且易产生幻觉或依赖表面捷径。本文提出一种通过分解式证据 grounding 来提升性能与可解释性的框架。该方法迫使模型将全局查询分解为原子子问题序列，每个子问题需明确回答并定位视觉证据框。通过将中间逻辑步骤锚定于特定视觉区域，构建了模仿人类演绎的结构化推理路径，使最终答案成为经事实验证的逻辑推论，而非统计猜测。
AI 推荐理由
论文核心在于通过分解证据和视觉定位增强多模态模型的逻辑推理能力与可解释性。
研究机构
新加坡高绩效计算研究所，科学、技术与研究局，新加坡
新加坡前沿人工智能研究卓越中心，科学、技术与研究局，新加坡
印度理工学院卡拉格普尔分校计算机科学与工程系，印度
南洋理工大学计算与数据科学学院，新加坡
论文信息