PixelEyes：解耦感知与推理以实现精准视觉证据搜寻

本文探讨多轮视觉推理，指出多模态大模型因推理与感知纠缠导致定位失败及轨迹冗余。为此，提出 PixelEyes 智能体，显式解耦二者：推理器决定搜索目标，专用感知工具负责定位。方法包括掩码引导的视觉搜索和语义区域广度优先搜索，以消除冗余循环。通过构建 PixelEyes-6K 数据集内化该逻辑，并推出 Pinpoint-Bench 基准测试，细粒度分析失败模式。实验表明现有模型在该基准上仍有巨大提升空间。